基于深度学习的矿井下作业人员安全帽佩戴检测

石永恒 杨超宇

（安徽理工大学经济与管理学院 安徽淮南 232001）

煤矿员工在矿井下进行生产作业时，佩戴安全帽是有效保护员工生命安全、有效降低事故危害的防护措施；但根据近年来所发生的种种煤矿安全事故来看，由于未佩戴安全帽行为导致事故危害升级的案例屡见不鲜；因此，对煤矿员工安全帽佩戴进行检测十分重要。目前来看，煤矿企业中对于是否佩戴安全帽的检查方式主要包括两种：一是通过对监控视频的回放查看，发现作业人员未佩戴安全帽的违规行为；二是通过人工实时检查的方式，发现未佩戴安全帽的违规行为。但上述两种检测方式存在滞后性和低效性的问题，并不能在事故发生前及时消除安全隐患；因此，运用深度学习的方法对煤矿员工的安全帽佩戴情况进行实时检测具有十分重要的现实意义和实用价值。

传统的目标检测都是通过手工设计特征来实现对目标对象的检测，这就导致了在进行实际的目标检测时，出现目标检测准确率低的问题且模型的泛化性较差，不具备鲁棒性。近年来，随着卷积神经网络（CNN）的提出，使得深度学习在进行特征提取时有效地解决了手工设计特征的缺陷。基于此，一些学者提出了一系列的基于深度学习的目标检测算法。Girshick等[1]在2014年提出了R-CNN（区域卷积神经网络）算法，采用Region Proposal（候选区域）方法实现目标检测问题，代替了传统目标检测方法中手工设计特征的方式，使得基于深度学习进行目标检测的方法获得了巨大进步。……