一种基于边缘设备的安全帽和安全带检测识别系统

摘要

本发明公开了一种基于边缘设备的安全帽和安全带检测识别系统，包括图像采集模块、检测模块和通信服务器，其中图像采集模块采集人过闸机时的上半身图片，作为待检测图片输入检测模块；检测模块调用预加载的安全帽和安全带检测模型识别待检测图片，输出对应类别的预测标签，统计各类别预测标签的数量并基于预定义的判决规则得到回传值，将回传值发送给通信服务器；通信服务器接收检测模块发送的回传值并转发至远程人脸识别计算机，回传值用于供远程人脸识别计算机判别得到控制指令，控制指令由远程人脸识别计算机发送至闸机用于控制闸机是否开启。本发明扩展方便，实现低成本运行，具有较高的检测精度，并且能够合理控制功耗。

权利要求

1.一种基于边缘设备的安全帽和安全带检测识别系统，用于与远程人脸识别计算机对接实现对闸机的控制，其特征在于，所述基于边缘设备的安全帽和安全带检测识别系统包括：图像采集模块、检测模块和通信服务器，其中：所述图像采集模块，用于采集人过闸机时工人的上半身图片，所述上半身图片作为待检测图片输入检测模块；

所述检测模块，调用预加载的安全帽和安全带检测模型识别待检测图片中的目标，输出对应类别的预测标签，统计各类别预测标签的数量并基于预定义的判决规则得到回传值，将所述回传值发送给通信服务器；

所述通信服务器，用于实现检测模块与远程人脸识别计算机之间的实时信息交互，通信服务器接收检测模块发送的回传值并转发至远程人脸识别计算机，所述回传值用于远程人脸识别计算机判别得到控制指令，所述控制指令由远程人脸识别计算机发送至闸机用于控制闸机是否开启；

其中，所述预测标签的类别包括“hat”、“belt”和“person”，其中，输出“hat”表示佩戴安全帽，输出“person”表示未佩戴安全帽，输出“belt”表示佩戴安全带，未输出“belt”表示未佩戴安全带；

其中，所述统计各类别预测标签的数量并基于预定义的判决规则得到回传值，包括：(1)统计输出的各类别预测标签数量，得到统计结果，包括：初始化统计结果sum＝0；

若检测到输出的预测标签为“hat”，则sum＝sum+1；

若检测到输出的预测标签为“belt”，则sum＝sum+10；

若检测到输出的预测标签为“person”，则sum＝sum+100；

(2)获取最终的统计结果，并基于预定义的判决规则得到回传值，包括：根据最终的统计结果sum计算标识数a3、a2、a1，计算表达式如下：将得到的标识数a3、a2、a1输入预定义的判决规则得到回传值，所述预定义的判决规则包括：

若a3≥1，a2≥1，a1≥1，则回传值为“111”，表示检测结果为佩戴安全帽和安全带，同时存在未佩戴安全帽；

若a3≥1，a2≥1，a1＜1，则回传值为“110”，表示检测结果为只佩戴安全带；

若a3≥1，a2＜1，a1≥1，则回传值为“101”，表示检测结果为佩戴安全帽，同时存在未佩戴安全帽；

若a3≥1，a2＜1，a1＜1，则回传值为“100”，表示检测结果为未佩戴安全帽和安全带；

若a3＜1，a2≥1，a1≥1，则回传值为“011”，表示检测结果为佩戴安全帽和安全带；

若a3＜1，a2≥1，a1＜1，则回传值为“010”，表示检测结果为只佩戴安全带；

若a3＜1，a2＜1，a1≥1，则回传值为“001”，表示检测结果为只佩戴安全帽；

若a3＜1，a2＜1，a1＜1，则回传值为“000”，表示检测结果为未佩戴安全帽和安全带。

2.如权利要求1所述的基于边缘设备的安全帽和安全带检测识别系统，其特征在于，所述安全帽和安全带检测模型基于RefineDet网络训练至收敛所得，所述RefineDet网络包括区域优化模块和目标检测模块，并且通过连接模块连接区域优化模块和目标检测模块；

所述RefineDet网络以VGG16卷积神经网络作为特征提取的骨干网络，包含由原来的fc6和fc7两个全连接层转换成的卷积层conv_fc6、conv_fc7以及扩展的卷积层conv6_1、conv6_2，并且采用卷积层conv4_3、conv5_3、conv_fc7和conv6_2作为检测层。

3.如权利要求2所述的基于边缘设备的安全帽和安全带检测识别系统，其特征在于，所述RefineDet网络在训练时，采用置信度和焦点损失函数对RefineDet网络输出的检测框进行二次抑制；

对于RefineDet网络中卷积层生成的检测框，若负样本的置信度大于0.99，则直接舍弃对应的检测框，实现对检测框的首次抑制；

对于首次抑制后的检测框，采用基于焦点损失函数构建的多对象损失函数进行再次抑制，所述多对象损失函数包括区域优化模块(ARM)和目标检测模块(ODM)两部分损失，多对象损失函数的表达式如下：

式中， 为候选区域的类别标签， 表示如果为正样本，输出1；否则输出0， 表示第i个候选区域的位置以及尺寸标签，xi和pi是ARM预测，NARM表示ARM中正候选区域的数量，如果NARM＝0，则ARM部分损失为0，ci和ti是ODM预测，NODM表示ODM中正候选区域的数量，如果NODM＝0，则ODM部分损失为0，Lr表示回归损失，采用smoothL1 loss函数，Lb表示类别损失函数；

采用focal loss函数作为Lb表示的类别损失函数，所述focal loss函数的表达式为：γ

FL(pt)＝‑αt(1‑pt) log(pt)γ

式中，pt表示不同类别的分类概率，pt越大，权重(1‑pt) 越小，αt用来调节正负样本的比例。

说明书

一种基于边缘设备的安全帽和安全带检测识别系统

技术领域

[0001] 本申请属于目标检测技术领域，具体涉及一种基于边缘设备的安全帽和安全带检测识别系统。

背景技术

[0002] 在从事一些高危险生产和劳动中，佩戴安全帽和安全带是防止发生安全事故的有效措施，而在实际工作中工人未佩戴安全帽和安全带的不安全行为时有发生。针对这种现
象，有必要对施工现场进行严格管控，因此，使用闸机来严格控制施工现场人员的进出，并
通过检测是否佩戴安全帽和安全带来控制是否让工人通过。

[0003] 边缘设备主要指安装在边缘网络上的人工智能开发板，例如，Hikey970AI深度学习开发板、树莓派、FireflyCore‑3399Pro‑JD4开发板、Nvidia Jetson Nano、Nvidia 
Jetson TX2等，由于施工场地多数为边缘设备，并且边缘设备通常要求为低功耗设备，如何
实现在边缘设备上实现低功耗、准确的安全帽和安全带检测识别具有重要意义。

发明内容

[0004] 本申请的目的在于提供一种基于边缘设备的安全帽和安全带检测识别系统，扩展方便，实现低成本运行，具有较高的检测精度，并且能够合理控制功耗。

[0005] 为实现上述目的，本申请所采取的技术方案为：

[0006] 一种基于边缘设备的安全帽和安全带检测识别系统，用于与远程人脸识别计算机对接实现对闸机的控制，所述基于边缘设备的安全帽和安全带检测识别系统包括：图像采
集模块、检测模块和通信服务器，其中：

[0007] 所述图像采集模块，用于采集人过闸机时工人的上半身图片，所述上半身图片作为待检测图片输入检测模块；

[0008] 所述检测模块，调用预加载的安全帽和安全带检测模型识别待检测图片，输出对应类别的预测标签，统计各类别预测标签的数量并基于预定义的判决规则得到回传值，将
所述回传值发送给通信服务器；

[0009] 所述通信服务器，用于实现检测模块与远程人脸识别计算机之间的实时信息交互，通信服务器接收检测模块发送的回传值并转发至远程人脸识别计算机，所述回传值用
于远程人脸识别计算机判别得到控制指令，所述控制指令由远程人脸识别计算机发送至闸
机用于控制闸机是否开启；

[0010] 其中，所述预测标签的类别包括“hat”、“belt”和“person”，其中，输出“hat”表示佩戴安全帽，输出“person”表示未佩戴安全帽，输出“belt”表示佩戴安全带，未输出“belt”
表示未佩戴安全带；

[0011] 其中，所述统计各类别预测标签的数量并基于预定义的判决规则得到回传值，包括：

[0012] (1)统计输出的各类别预测标签数量，得到统计结果，包括：

[0013] 初始化统计结果sum＝0；

[0014] 若检测到输出的预测标签为“hat”，则sum＝sum+1；

[0015] 若检测到输出的预测标签为“belt”，则sum＝sum+10；

[0016] 若检测到输出的预测标签为“person”，则sum＝sum+100；

[0017] (2)获取最终的统计结果，并基于预定义的判决规则得到回传值，包括：

[0018] 根据最终的统计结果sum计算标识数a3、a2、a1，计算表达式如下：

[0019]

[0020] 将得到的标识数a3、a2、a1输入预定义的判决规则得到回传值，所述预定义的判决规则包括：

[0021] 若a3≥1，a2≥1，a1≥1，则回传值为“111”，表示检测结果为佩戴安全帽和安全带，同时存在未佩戴安全帽；

[0022] 若a3≥1，a2≥1，a1＜1，则回传值为“110”，表示检测结果为只佩戴安全带；

[0023] 若a3≥1，a2＜1，a1≥1，则回传值为“101”，表示检测结果为佩戴安全帽，同时存在未佩戴安全帽；

[0024] 若a3≥1，a2＜1，a1＜1，则回传值为“100”，表示检测结果为未佩戴安全帽和安全带；

[0025] 若a3＜1，a2≥1，a1≥1，则回传值为“011”，表示检测结果为佩戴安全帽和安全带；

[0026] 若a3＜1，a2≥1，a1＜1，则回传值为“010”，表示检测结果为只佩戴安全带；

[0027] 若a3＜1，a2＜1，a1≥1，则回传值为“001”，表示检测结果为只佩戴安全帽；

[0028] 若a3＜1，a2＜1，a1＜1，则回传值为“000”，表示检测结果为未佩戴安全帽和安全带。

[0029] 作为优选，所述安全帽和安全带检测模型基于RefineDet网络训练至收敛所得，所述RefineDet网络包括区域优化模块和目标检测模块，并且通过连接模块连接区域优化模
块和目标检测模块；

[0030] 所述RefineDet网络以VGG16卷积神经网络作为特征提取的骨干网络，包含由原来的fc6和fc7两个全连接层转换成的卷积层conv_fc6、conv_fc7以及扩展的卷积层conv6_1、
conv6_2，并且采用卷积层conv4_3、conv5_3、conv_fc7和conv6_2作为检测层。

[0031] 作为优选，所述RefineDet网络在训练时，采用置信度和焦点损失函数对RefineDet网络输出的检测框进行二次抑制；

[0032] 对于RefineDet网络中卷积层生成的检测框，若负样本的置信度大于0.99，则直接舍弃对应的检测框，实现对检测框的首次抑制；

[0033] 对于首次抑制后的检测框，采用基于焦点损失函数构建的多对象损失函数进行再次抑制，所述多对象损失函数包括区域优化模块(ARM)和目标检测模块(ODM)两部分损失，
多对象损失函数的表达式如下：

[0034]

[0035] 式中，为候选区域的类别标签， 表示如果为正样本，输出1；否则输出0， 表示第i个候选区域的位置以及尺寸标签，xi和pi是ARM预测，NARM表示ARM中正候选区域的数
量，如果NARM＝0，则ARM部分损失为0，ci和ti是ODM预测，NODM表示ODM中正候选区域的数量，如
果NODM＝0，则ODM部分损失为0，Lr表示回归损失，采用smoothL1 loss函数，Lb表示类别损失
函数；

[0036] 采用focal loss函数作为Lb表示的类别损失函数，所述focal loss函数的表达式为：

[0037] FL(pt)＝‑αt(1‑pt)γlog(pt)

[0038] 式中，pt表示不同类别的分类概率，pt越大，权重(1‑pt)γ越小，αt用来调节正负样本的比例。

[0039] 本申请提供的基于边缘设备的安全帽和安全带检测识别系统，实现在低功耗的边缘设备上进行安全帽和安全带的检测，并且能够将检测结果转化为数值传给远程计算机。
预设安全帽和安全带检测模型，具有较高的检测精度，并且通过远程计算机决策边缘设备
是否动作，简化了边缘设备端的执行，合理控制功耗，实现低成本运行，能够与各类外部系
统对接实现相应功能，满足工程实际需求。

附图说明

[0040] 图1为本申请的基于边缘设备的安全帽和安全带检测识别系统的分布式系统架构；

[0041] 图2为本申请的基于边缘设备的安全帽和安全带检测识别系统的单路检测工作流程图；

[0042] 图3为本申请采用的RefineDet网络的结构示意图；

[0043] 图4为本申请预测标签的一种实施例统计流程图；

[0044] 图5为本申请的判决规则的一种实施例流程图。

具体实施方式

[0045] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本
申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
施例，都属于本申请保护的范围。

[0046] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具
体的实施例的目的，不是在于限制本申请。

[0047] 其中一个实施例中，提供一种基于边缘设备的安全帽和安全带检测识别系统，用于与远程人脸识别计算机对接使用，在人过闸机时进行安全帽和安全带的检测与识别，从
而实现对闸机的控制，提高工程施工现场的安全管理，促进安全生产。

[0048] 如图1所示，本实施例的基于边缘设备的安全帽和安全带检测识别系统包括：图像采集模块、检测模块和通信服务器。通常边缘设备为人工智能开发板，即本申请的安全帽和
安全带检测识别系统基于人工智能开发板的硬件实现，而与安全帽和安全带检测识别系统
对接的远程计算机作为人脸识别系统，即称为远程人脸识别计算机，并且远程人脸识别计
算机可以同时与多组闸机和安全帽和安全带检测识别系统对接。

[0049] 具体的，如图2所示，本实施例中的图像采集模块，用于采集人过闸机时工人的上半身图片，所述上半身图片作为待检测图片输入检测模块。

[0050] 检测模块，调用预加载的安全帽和安全带检测模型识别待检测图片，输出对应类别的预测标签，统计各类别预测标签的数量并基于预定义的判决规则得到回传值，将所述
回传值发送给通信服务器。

[0051] 通信服务器，用于实现检测模块与远程人脸识别计算机之间的实时信息交互，通信服务器接收检测模块发送的回传值并转发至远程人脸识别计算机，所述回传值用于供远
程人脸识别计算机判别得到控制指令，所述控制指令由远程人脸识别计算机发送至闸机用
于控制闸机是否开启。

[0052] 在基于边缘设备的安全帽和安全带检测识别系统中，由检测模块实现安全帽和安全带的检测，并且通过通信服务器将根据检测结果得到的回传值发送至远程人脸识别计算
机，并由远程人脸识别计算机根据回传值给出闸机是否动作的控制指令，即给出闸机是否
开启闸门的指令，实现进入工程施工现场前对安全帽和安全带的检测，保证施工人员的安
全。

[0053] 需要说明的是，通信服务器在实现检测模块与远程人脸识别计算机之间的实时信息交互时，除上述提及的回传值以外还包括各类其他信息，例如用于接收远程人脸识别计
算机发送的使能信号，若使能信号enable＝ture，则图像采集模块启动并采集待检测图片，
并且检测模块启动并获取待检测图片进行识别；否则图像采集模块和检测模块继续待机，
并通过通信服务器监测使能信号。

[0054] 为了确保待检测图片的有效性，在一实施例中，边缘设备通过图像采集模块获取待检测图片，包括：调用图像采集模块获取检测范围内的人上体半身图片作为当前的待检
测图片。

[0055] 由于安全帽和安全带主要分布在人体的上半身，因此对图像采集模块获取的原始图片进行筛选裁剪，去除了无人员的图片的干扰，保证待检测图片均为包含较大目标的有
效图片，不仅提升了检测速度还降低小目标对检测精度的影响。

[0056] 在一实施例中，所采用的安全帽和安全带检测模型基于RefineDet网络训练至收敛所得。RefineDet网络首先对待检测图片归一化处理，利用CNN提取图像特征，再通过特征
金字塔网络(FPN)将底层的conv4_3特征图与高层特征图进行融合，以便增强小尺寸人脸的
语义信息，提高小目标人脸的检测精度。然后利用置信度和焦点损失函数对检测框进行二
次抑制，缓解类别失衡问题。最后通过非极大值抑制算法得到精确回归后的安全帽和安全
带检测框和相应的位置信息。

[0057] 具体的，如图3所示，RefineDet网络包括区域优化模块(the Anchor Refinement Module，ARM)和目标检测模块(the Object Detection Module，ODM)，并且通过连接模块
(Transfer Connection Block，TCB)连接区域优化模块和目标检测模块。

[0058] RefineDet网络是在SSD网络的基础上改进的，继承了两种方法(一阶段设计方法和两阶段设计方法)的优点，并克服了它们的缺点。RefineDet网络改进了采用单一阶段设
计的方法，使用两个相连的模块，即ARM模块和ODM模块。

[0059] 具体的，RefineDet以VGG16神经卷积网络作为特征提取的骨干网络，包含由原来的fc6和fc7两个全连接层转换成的卷积层conv_fc6、conv_fc7以及扩展的卷积层conv6_1、
conv6_2，并且采用卷积层conv4_3、conv5_3、conv_fc7和conv6_2作为检测层。

[0060] (1)ARM模块

[0061] ARM模块类似Faster‑RCNN算法中的RPN，旨在移除负样本anchors以便为分类器减少搜索空间，并粗略调整anchors的位置和大小，以便为随后的回归器提供更好的初始化结
果，不同点在于ARM模块输入利用了多层特征，而RPN网络的输入是单层特征。

[0062] (2)TCB模块

[0063] ARM模块的特征图通过TCB模块输入到ODM模块中，将高层特征与底层特征进行融合，用来增强底层特征的语义信息，利用特征图融合的方式增加不同层之间的联系，通过这
样的连接，检测网络中的特征图都融合了不同尺度、不同语义强度的特征，以此保证检测层
的特征图可以检测不同尺度的安全帽和安全带。

[0064] (3)ODM模块

[0065] ODM模块融合不同层的特征，然后做多分类和回归。主要的不同点一方面在于这部分的输入anchors是ARM模块得到的refined anchors，另一方面和FPN算法类似，这里的浅
层feature map融合了高层feature map的信息，然后预测bbox是基于每层feature map进
行，最后将各层结果再整合到一起。预测得到结果后再将各层结果整合在一起，该方法对小
目标物体的检测效果更好。需要说明的是，本实施例采用的RefineDet网络为现有的
RefineDet网络框架，进一步的结构参数不再展开描述。

[0066] 在RefineDet网络训练时，首先需要收集样本图片，然后对样本图片进行标注，最后利用标注的样本图片输入RefineDet网络进行训练模型。

[0067] 其中，在收集样本图片时：通过网上收集佩戴安全帽图片和视频和已有的佩戴安全帽和安全带的工人过闸机视频，通过python程序截成若干图片，这里每隔2秒截取一张图
片，然后对图片进行筛选，使得未佩戴安全帽和安全带，只佩戴安全帽，只佩戴安全带，佩戴
安全帽和安全带四种样本的比例大致相等，最终得到足够数量的样本图片。例如本申请在
实验时最终得到数据集总共11482张样本图片。

[0068] 其中，在对样本图片进行标注时：使用labelImg进行标注，标签为“person”，“hat”，“belt”三个标签，对于安全帽的检测重点自安于检测工人头上是否佩戴，因此标注
时佩戴安全帽的标签为“hat”，未佩戴安全帽的标签为“person”；安全带为条状，主要分布
在待检测个人上半身，安全带标签标注时只考虑待检测个人上半身是否佩戴，这样也提升
了后期检测速度，即人体上半身佩戴安全带则标注“belt”，未佩戴安全带则不标注“belt”。

[0069] 需要说明的是，佩戴安全帽应理解为人体头部正确佩戴安全帽，未佩戴安全帽应理解为人体头部未正确佩戴安全帽，包括没有安全帽，或者手拿安全帽的情况。安全带同理
理解。

[0070] 其中，利用标注的样本图片对RefineDet网络进行训练时，对于自制数据集，卷积神经网络不平衡问题十分复杂，存在多种多样的不平衡，主要包括类别不平衡、尺度不平
衡、空间不平衡、多任务损失优化之间的不平衡等，这些不平衡会影响最终的检测精度。本
实施例通过对数据集的调整和训练参数的调节在尽可能避免不平衡问题对检测精度的干
扰，针对类别不平衡问题，采用置信度和焦点损失函数对RefineDet网络输出的检测框进行
二次抑制，消除类别不平衡对网络检测精度的干扰。

[0071] 具体如下：

[0072] 对于一张的待检测图片，安全帽和安全带所占比例远远小于背景所占比例，图片中大部分区域为负样本。模型训练过程中，每个卷积层生成不同数量的检测框，如果将全部
正负样本都用来训练，这会引起类不平衡的问题，导致检测精度下降。因此，为了缓解失衡，
利用焦点损失函数对检测框进行二次抑制。对于RefineDet网络中卷积层生成的检测框，若
负样本的置信度大于0.99，则直接舍弃对应的检测框，实现对检测框的首次抑制。

[0073] 对于首次抑制后的检测框，采用基于焦点损失函数构建的多对象损失函数进行再次抑制，多对象损失函数包括区域优化模块和目标检测模块两部分损失，焦点损失函数的
表达式如下：

[0074]

[0075] 式中，为候选区域(即检测框)的类别标签， 表示如果为正样本，输出1；否则输出0， 表示第i个候选区域的位置以及尺寸标签，xi和pi是ARM预测，NARM表示ARM中正候
选区域的数量，如果NARM＝0，则ARM部分损失为0，ci和ti是ODM预测，NODM表示ODM中正候选区
域的数量，如果NODM＝0，则ODM部分损失为0，Lr表示回归损失，采用smoothL1 loss函数，Lb表
示类别损失函数；

[0076] 为了更好地缓解因类别失衡造成检测精度低的问题，采用focal loss函数(焦点损失函数)作为Lb表示的类别损失函数，所述focal loss函数的表达式为：

[0077] FL(pt)＝‑αt(1‑pt)γlog(pt)

[0078] 式中，pt表示不同类别的分类概率，pt越大，权重(1‑pt)γ越小，αt用来调节正负样本的比例。并且在一实施例中，设置正负样本比例为1：3，即αt＝0.25，γ＝2。

[0079] RefineDet网络的训练能够得到高精度的安全帽和安全带检测模型，采用高精度的安全帽和安全带检测模型对待检测图片进行检测识别后，输出可靠的预测标签，在一实
施例中，预测标签的类别包括“hat”、“belt”和“person”，其中，输出“hat”表示佩戴安全帽，
输出“person”表示未佩戴安全帽，输出“belt”表示佩戴安全带，未输出“belt”表示未佩戴
安全带。预测标签与样本图片标注的标签相应。

[0080] 因此，统计各类别预测标签的数量并基于预定义的判决规则得到回传值，包括：

[0081] (1)如图4所示，统计输出的各类别预测标签(Display_name)的数量，得到统计结果，包括：

[0082] 初始化统计结果sum＝0；

[0083] 若检测到输出的预测标签为“hat”，则sum＝sum+1。

[0084] 若检测到输出的预测标签为“belt”，则sum＝sum+10。

[0085] 若检测到输出的预测标签为“person”，则sum＝sum+100。

[0086] 需要说明的是，由于待检测图片中可能不止一个人，因此输出的同类别的预测标签可能不止一个，并且含义相对的预测标签也可能在同一次检测中输出，因此本实施例利
用求和的方法统计输出的所有预测标签，以便于根据最终的sum值直观得出佩戴安全帽和
安全带的情况。

[0087] (2)获取最终的统计结果，并基于预定义的判决规则得到回传值，包括：

[0088] 根据最终的统计结果sum计算标识数a3、a2、a1，计算表达式如下：

[0089]

[0090] 把检测所得的sum值分别除以1，10，100并向上取整，然后再分别对10求余数即可得到百位、十位、个位的a3、a2、a1值，采用先统计再拆分的操作得到a3、a2、a1值，相比于直
接根据预测标签得到a3、a2、a1值而言，先统计再拆分的操作更加方便。

[0091] 将得到的标识数a3、a2、a1输入预定义的判决规则得到回传值(get_result)，如图5所示，预定义的判决规则包括：

[0092] 若a3≥1，a2≥1，a1≥1，则回传值为“111”，表示检测结果为佩戴安全帽和安全带，同时存在未佩戴安全帽；

[0093] 若a3≥1，a2≥1，a1＜1，则回传值为“110”，表示检测结果为只佩戴安全带；

[0094] 若a3≥1，a2＜1，a1≥1，则回传值为“101”，表示检测结果为佩戴安全帽，同时存在未佩戴安全帽；

[0095] 若a3≥1，a2＜1，a1＜1，则回传值为“100”，表示检测结果为未佩戴安全帽和安全带；

[0096] 若a3＜1，a2≥1，a1≥1，则回传值为“011”，表示检测结果为佩戴安全帽和安全带；

[0097] 若a3＜1，a2≥1，a1＜1，则回传值为“010”，表示检测结果为只佩戴安全带；

[0098] 若a3＜1，a2＜1，a1≥1，则回传值为“001”，表示检测结果为只佩戴安全帽；

[0099] 若a3＜1，a2＜1，a1＜1，则回传值为“000”，表示检测结果为未佩戴安全帽和安全带。

[0100] 各回传值与检测结果之间的对应关系如表1所示。

[0101] 表1检测结果与回传值的对应关系

[0102]

[0103] 本实施例的基于边缘设备的安全帽和安全带检测识别系统为独立模块，通过通信服务器实时和远程人脸识别计算机通信。由于模块独立以及通信方式可以为htttp通信，所
以系统容易宽展，使用方便。

[0104] 本实施例采用计算能力偏弱的边缘设备Jetson Nano/TX2作为硬件，使用caffe作为深度学习网络框架，VGG16作为主干网络，使用RefineDet网络实现工人过闸门时安全帽
和安全带检测与识别，避免工人在事故中受伤，促进安全生产。

[0105] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在
矛盾，都应当认为是本说明书记载的范围。

[0106] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护
范围。因此，本申请专利的保护范围应以所附权利要求为准。