使用安全裝備可以保護他們免受建筑工地的意外事故。據統計，每年有數以萬計的工人在建筑工地受到嚴重傷害，造成終生困難。然而，通過自我監控來確保工人穿戴個人防護裝備非常重要。在這方面，需要一個準確和快速的系統來檢測工人是否在施工現場使用個人防護裝備。

?

在線工具推薦： 三維數字孿生場景工具 ?-? GLTF/GLB在線編輯器 ?-? Three.js AI自動紋理化開發? -? YOLO 虛幻合成數據生成器 ?-? 3D模型在線轉換 ?- ? 3D模型預覽圖生成服務

通過眾多的對策，與其他行業相比，建筑業的死亡人數仍然更高。個人防護裝備 （PPE） 正在不斷改進以避免這些事故，盡管工人有意或無意地忘記使用此類安全措施。手動運行安全檢查具有挑戰性，因為現場的同事數量可能很大;然而，當局的首要職責是為工地上的工人提供最大程度的保護。基于這些動機，我們創建了一個基于計算機視覺 （CV） 的自動 PPE 檢測系統，可以檢測各種類型的 PPE。這項研究還創建了一個名為CHVG（四色安全帽、背心、安全玻璃）的新數據集，其中包含八種不同的類別，包括四種彩色安全帽、背心、安全玻璃、人體和人頭。該數據集包含這 1 類的 699,<> 張圖像和相應的注釋。對于檢測算法，本研究使用了 You Only Look Once （YOLO） 系列的無錨點架構 YOLOX，該架構在令人滿意的時間間隔內產生了比其他目標檢測模型更好的性能。此外，本研究發現，與其他三個版本的 YOLOX 相比，YOLOX-m 模型的平均精度 （mAP） 最高。

與所有其他行業相比，在建筑工地中，受傷率超過71%（。但是，可以通過穿戴個人防護設備 （PPE） 來保護工人免受這些類型的可怕危險。安全帽、安全眼鏡、手套、安全背心、護目鏡等都作為個人防護裝備包括在內。工人可以使用安全帽來防止輕微的頭部受傷。戴安全帽可以減少從高處墜落時顱骨骨折、頸部扭傷和腦震蕩的機會。它還可以降低嚴重腦損傷的可能性。因此，安全帽是建筑工地個人防護裝備的重要組成部分。眼外傷是工作場所非常普遍的現象，尤其是在建筑工地。根據美國國家職業安全與健康研究所 （NIOSH） 的數據，美國約有 2,000 名工人患有與工作有關的眼部受傷。

美國勞工統計局（BLS）的一項研究表明，事故發生時，近五分之三的眼部受傷工人沒有佩戴任何防護罩。安全背心是另一種個人防護裝備，可幫助工人更容易被其他同事看到。背心的反光條線可能有助于推斷工人的位置，并減少在低光照條件下和惡劣天氣下發生事故的機會（。安全帽顏色可能在區分不同國家的工人方面發揮著至關重要的作用。

在英國 （UK），現場主管佩戴黑色安全帽，投石者/信號員佩戴橙色安全帽，現場經理佩戴白色安全帽，其余人員佩戴藍色安全帽。在建筑工地，工人有意或無意地忘記穿戴任何可能對他們或整個建筑工地造成危險的個人防護裝備。適當的步驟可以降低即將發生危險的風險。工地當局應確保每個工人在施工現場工作時都穿戴個人防護裝備。但是，手動檢查既不費時又費錢。背景研究發現，正確檢測 PPE 是不可避免的，因為檢測錯誤或檢測不足會導致嚴重的問題。出于這一動機，作者認為，對PPE的寶貴檢測有助于以工業方式保護工人的安全。此外，額外的 PPE 檢測，即增加類號，增加了計算機視覺的檢測挑戰。這就是為什么這項研究試圖識別不同類型的個人防護裝備。

最近發表的某論文將用于 PPE 檢測的 YOLOv5 架構引入建筑工地，該架構可檢測六類，包括四種顏色的頭盔、背心和人員。這項研究的作者試圖通過檢測八類來提高CV的可靠性，并確保在建筑工地中檢測更多的安全裝備。因此，通過擴展提出的數據集來生成一個新的數據集。引入無錨訓練架構，對建筑工地的PPE、人體和人頭進行檢測。由于上述情況會出現在真實的建筑工地中，因此圖像中的幾次光度變化可以創建人為的雨天、朦朧和弱光條件圖像。YOLOX 架構比其他最先進的方法產生更好的性能。

在本文章，將使用UnrealSynth虛幻合成數據生成器?來生成訓練所需要的數據集，用戶只需要將PPE安全防護設備D模型導入UnrealSynth中，經過簡單的配置就可以自動生成數據集，非常的簡單方便：

基于YOLO的實時計算機視覺自動安全帽檢測：

1. 場景準備

• 將戴有安全帽、安全繩等PPE安全設備的的工人模型導入到場景。
• 配置場景先關參數，如：生成的圖片數據集的圖片分辨率、生成的圖片的數量等。

2. 生成數據集

設置參數后，點擊【確定】后會在本地目錄中...\UnrealSynth\Windows\UnrealSynth\Content\UserData 生成本地合成數據集，本地數據包含兩個文件夾以及一個 yaml 文件：images、labels、test.yaml 文件；images中存放著生成的圖片數據集，labels中存放著生成的標注數據集。

images和labels目錄下各有兩個目錄：train 和 val，train 目錄表示訓練數據目錄，val 表示驗證數據目錄，標注數據的格式如下所示：

0 0.68724 0.458796 0.024479 0.039815
0 0.511719 0.504167 0.021354 0.034259
0 0.550781 0.596759 0.039062 0.04537
0 0.549219 0.368519 0.023438 0.044444
0 0.47526 0.504167 0.009896 0.030556
0 0.470313 0.69537 0.027083 0.035185
0 0.570052 0.499074 0.016146 0.040741
0 0.413542 0.344444 0.022917 0.037037
0 0.613802 0.562037 0.015104 0.027778
0 0.477344 0.569444 0.017188 0.016667

synth.yaml是數據的配置文件，數據格式如下：

path:
train: images
val: images
test:
names:0: Safety helmet

3、YOLOv5模型訓練

生成數據集后，下一步就是利用Yolo來訓練模型，第一步，打開?ultralytics hub?在線訓練工具，將剛才生成的數據集上傳到ultralytics hub

將合成數據上傳后，選擇YOLO模型版本，確定好YOLO模型版本后，點擊【continue】就可以開始使用ultralytics來訓練集我們的模型了，如下所示：

選擇YOLO模型后點擊下一步將會生成用戶key值，這個key值將在下一步模型訓練時用到

復制【step1】中中的內容，點擊【step2】進入到google Colab頁面，如下所示：

首先，先點擊step中的播放按鈕，安裝環境依賴，如上圖所示；環境安裝成功后，接下來將【Start】中的整個內容給都換掉，用在上一步中復制的key值整體替換里面原來的信息，如圖：

然后點擊播放按鈕，開始訓練模型，如下圖所示：

模型訓練需要一段時間...

4、訓練模型驗證

模型訓練完成之后，可以用訓練好的模型驗證一下，用幾張工地工人干活的場景圖片，導入用圖片來驗證一下，操作步驟如圖所示：

圖片驗證結果如下：

?轉載：基于YOLO模型建筑工地個人防護設備目標檢測