摘 要
安全帽检测系统的设计意义在于提高工作场所的安全性和生产效率，通过安全帽检测系统可以实时监控工人是否佩戴安全帽，及时发现不佩戴安全帽的工人并进行提醒和警示，避免因为不佩戴安全帽导致意外事故的发生。因此，本文是一个利用Yolov5算法开发的安全帽检测系统。本论文使用了先进的目标检测算法，可以在视频流中快速准确地识别出佩戴安全帽和未佩戴安全帽的人员，并且能够通过拍摄的照片和发出提示信息进行分析，从功能分析、性能分析、系统流程分析等几个方面来进行总体设计，实现了基于Yolov5的安全帽检测系统的开发，主要实现了模型训练、模型推理、pyqt可视化、注册登录、图片检测、视频检测、视频流检测、人员定位、检测信息管理等功能。在实际测试中表现出了极高的准确率和可靠性，它能在各种复杂环境下精准鉴别出安全帽，包括光线暗淡、人员密集等情况。在实际应用中，本系统可以广泛应用于工地、工厂、危险品仓库等需要安全控制的场所，能够有效防止人员因为疏忽大意而发生危险事故。总之，基于Yolov5的安全帽检测系统的设计与开发是一项高效、精准的智能安全监控系统，具有非常好的应用前景。
关键词：Yolov5；安全帽检测；人工智能；目标检测
ABSTRACT
Safety helmet detection system is designed to improve the safety and efficiency of the workplace, through the safety helmet detection system can be real-time monitoring workers whether to wear a helmet, find the workers who do not wear safety helmet in time and remind and warn them to avoid accidents caused by not wearing safety helmet. Therefore, this paper is a helmet detection system based on Yolov5 algorithm. In this paper, an advanced target detection algorithm is used, which can quickly and accurately identify the people who wear or do not wear the helmet in the video stream, and can analyze the images and send out the prompt information, from the function analysis, performance analysis, system flow analysis and other aspects of the overall design to achieve the Yolov5-based helmet detection system development, it mainly realizes the functions of model training, model reasoning, PYQT visualization, registration, image detection, video detection, video stream detection, personnel location, detection information management and so on. In the actual test shows a high accuracy and reliability, it can accurately identify the helmet in a variety of complex environments, including dim light, crowded and so on. In practical application, the system can be widely used in construction sites, factories, dangerous goods warehouses and other places need safety control, can effectively prevent personnel from carelessness and dangerous accidents. In a word, the design and development of the helmet detection system based on Yolov5 is an efficient and accurate intelligent safety monitoring system, which has a very good application prospect.
Key words:Yolov5；Helmet detection；artificial intelligence；Object detectio
目 录
第1章 绪论
1.1 项目背景
1.2 项目开发的目的和意义
1.3 国内外发展情况
1.4 研究内容
第2章 系统关键技术
2.1 Yolov5框架
2.2 OpenCV
2.3 TensorRT
2.4 simple-rtsp-server
2.5 ffmpeg
第3章 系统分析
3.1 系统需求分析
3.2 系统可行性分析
3.2.1 经济可行性
3.2.2 技术可行性
3.2.3 操作可行性
3.3 功能需求分析
3.3.1 模型训练
3.3.2 模型推理
3.3.3 pyqt可视化
3.3.4 注册登录
3.3.5 图片检测
3.3.6 视频检测
3.3.7 视频流检测
3.3.8 人员定位
3.3.9 检测信息管理
3.4 性能需求分析
3.5 系统流程分析
第4章 系统总体功能设计
4.1 数据采集
4.2 数据预处理
4.2.1 创建数据集
4.2.2 转换数据格式
4.3 安全帽检测
第5章 系统实现
5.1 模型训练模块
5.2 模型推理模块
5.3 pyqt可视化模块
5.4 注册登录模块
5.5 图片检测模块
5.6 视频检测模块
5.7 视频流检测模块
5.8 人员定位模块
5.9 检测信息管理模块
第6章 系统测试
6.1 测试方法
6.1.1 功能测试
6.1.2 性能测试
6.2测试用例
6.2.1 登录测试用例
6.2.2 图片检测用例
6.2.3 视频检测用例
6.2.4 视频流检测用例
6.3 测试结果
6.3.1 注册登陆界面
6.3.2 功能测试结果
6.3.3 性能测试结果
6.3.4 稳定性测试结果
6.3.5 安全测试结果
结论与展望
参考文献
致谢
第1章 绪论
1.1 项目背景
随着人口的不断增长、经济快速发展、社会不断更迭，人们对住房的要求以及社会对建筑的诸多要求逐渐增大，建筑行业也因此快速发展，但随之而来的是工地事故的发生频率及建筑工地事故的严重程度也不断增大。因此对工地工人佩戴安全帽的管理以及监督也随之加强，但是工地工人过多，施工工地场地过大对于监督及提醒通过传统靠人力监督将耗费过多的人力，物力等，管理难度也比较高，检测准确度也比较小。因此，通过安全帽检测系统的开发将解决此问题，通过利用大数据等先进技术来提高安全帽检测的准确度，从而提高安全帽检验系统的准确率。通过安全帽检测系统可以实现对工人在工作时佩戴安全帽的情况进行实时监控，实时显示并可以上传到管理平台，实现对佩戴在头上安全帽的数量以及时间等进行统计分析的功能，以便可以有效地监督和管理工人们的工作行为，有效减少建筑工地安全事故的发生。目前我国建筑施工行业已经进入到了一个高速发展的阶段，建筑施工企业也在积极地进行行业改革以及建设新项目来提高自身竞争力，但同时也面临着许多现实问题。如：劳动力短缺、安全生产意识淡薄都是导致事故发生的重要原因。通过对全国建筑施工企业安全生产情况进行调研发现，我国建筑工人在工地上有90%以上的工人未按规定佩戴安全帽。研究安全帽检测系统的目的是更好的保护从业人员，防止其被作业人员误操作而造成的事故。
因此在设计安全帽检测系统时，要充分考虑到其安全性和数据采集方面的便利性。其次，安全帽检测技术研究现状是在传统的基于指纹传感器、磁力计等方式进行检测测报警后，再通过人工记录来进行数据分析并做出相应预警。然而这些方法都有一个共同的缺点：由于要采集大量数据，往往需要对系统进行修改或重新开发才能满足要求。因此在本文中采用了一种新的检测方式，即采用Yolov5作为采集软件对数据进行处理，然后再通过Yolov5上传至数据库中。
1.2 项目开发的目的和意义
安全帽检测系统实现对现场人员的智能监测以及对工人进行实时监督提醒等作用。同时，在施工现场也可以实现对工地内部人员进行实时监测、分析，通过数据收集及时发现问题及时处理，从而防止各种安全事故的发生。运用计算机视觉相关知识在人工领域架起一座桥梁，在最近的很多年来，卷积神经网络逐渐兴起，卷积神经网络的学习解决了很多现实问题，运用卷积神经网络在计算机视觉领域的提高，在一直在替代人工所能干的事情，计算机的逐渐在人类生产、生活等方面兴起并很好的为人类服务。为了提高对安全帽检测系统的实用性，提高系统的稳定性和健壮性，运用计算机视觉知识进行了设计与开发。根据国内外安全帽检测系统的开发现状及发展趋势，并且在此基础上针对当代市面上出现的许多安全帽检测产品，利用Yolov5框架，Python等技术以及Yolov5平台下的java编程语言对安全帽检测系统进行了设计和开发。将采集到的数据保存在数据库中来提供之后安全帽检测系统的使用，同时设计和开发了该安全帽检测系统软件等。并利用此系统软件与传统的人工检测方式相比较，对数据进行分类管理形式，从而使检测的工作变得更加方便简单而有效。通过对系统设计以及软件设计和开发过程的研究和分析，对安全帽检测系统提出了一种新的改进方法，以此来更好地服务于人们，并且更好的保护好工地施工人员的安全。
1.3 国内外发展情况
在工地重地不佩戴安全帽十分危险，如果发生高空坠物事故很容易造成人生命财产安全的损失，尤其对人的生命造成巨大的威胁，容易发生意外。目前，国内有很多学者采用深度学习的方法对安全帽佩戴检测进行了研究。2022年，许锁鹏，卢健，许心怡，吴阳等人在《基于YOLOv5的安全帽佩戴检测系统设计》[1]中提出了一种扩展的Yolov5多级分类目标检测模型，在主要的网络前端加入DenseBlock、Res2Net网络模型核心的设计思想，获取丰富的多维度的特征信息，增强特征信息的重用性，实现了Yolov5算法多级分类目标检测任务。在安全帽数据集上以安全帽的颜色来作为二级分类，从而进行训练验证，同时平均的精度，精确率和召回率分别都达到了95.81%、94.90%和92.54%。2022年，郑楚伟，林辉等人在《基于百度AI智能云平台的安全帽佩戴检测系统》[2]中进行改进，通过添加注意力机制和改进锚框的方法得到具有较好鲁棒性的安全帽佩戴检测算法。2021年，杨雪，陈刚和他的团队在《基于深度学习的移动端安全帽检测系统设计与实现》[3]中，通过引入深度可分离卷积网络，取代Darknet-53卷积网络，大大拓宽了底层的检测范围，从而有效地降低了模型的参数，大大提升了模型的检测精度。2022年，杨庭，徐桂彬，严俊，徐遥，王宇等在《基于深度学习的安全帽和口罩检测系统的设计》[4]中通过对Yolov4算法进行优化，提出来一种对数据增强的算法，增加了模型对于小物体的检测识别度。2021年，黄宇新，黄河等在《基于YOLO算法的嵌入式安全帽检测系统设计》[5]中对基于Yolov3算法进行改进，通过采用增加特征图、对损失函数的改进和再加入Focal Loss等方式，从而提高对检测模型的性能的检测。
国内对安全帽检测的研究起步的早，国外相关研究人员也对安全帽佩戴检测问题展开了深入研究。2022年，Fu Desu等在《Research on Safety Helmet Detection Algorithm of Power Workers Based on Improved Yolov5》[20]中采用Yolov5训练无头盔和有头盔之间的人脸，将这两种方式结合实现对安全帽佩戴的检测。2022年，Nithya R.，Priya V.，Sathiya Kumar C.，Dheeba J.，Chandraprabha K.等人在《A Smart Parking System: An IoT Based Computer Vision Approach for Free Parking Spot Detection Using Faster R-CNN with YOLOv3 Method》[21]中通过采用图像金字塔的结构获取不同尺度的特征图，用来对位置和类别的预测，改进后的模型准确率高达92.13%，检测速率提高到62f/s，其检测准确率与检测速率满足安全帽佩戴检测中检测任务要求。2023年，Thanh Nghi Doan等在《An Efficient System for Real-time Mobile Smart Device-based Insect Detection》[22]中使用改进的算法输出目标物体的预测anchor box，然后对anchor box进行像素特征统计，分别乘以权重系数输出头盔标准佩戴置信度在每个预测的anchor box区域，根据经验阈值判断工人是否符合佩戴头盔的标准。
1.4 研究内容
安全帽检测系统是一种基于计算机视觉技术的安全检测系统，主要用于检测工业生产过程中工人是否佩戴安全帽。其研究内容包括以下几个方面：
1.安全帽检测算法研究：研究如何通过计算机视觉技术对工人佩戴安全帽的状态进行检测、识别和分类，并实现自动化检测。
2.视频流处理技术研究：研究如何对实时视频流进行处理，包括视频帧的采集、预处理、特征提取、目标检测等。
3.深度学习算法研究：研究如何通过深度学习技术对安全帽检测算法进行优化，提高安全帽检测的准确性和鲁棒性。
4.系统设计与实现：研究如何将安全帽检测算法和视频流处理技术集成到一个完整的系统中，并实现系统的实时监测和报警功能。
5.应用场景拓展：研究如何将安全帽检测系统应用到更多的场景中，例如建筑工地、矿山、工厂等，以提高工作场所的安全性。
第2章 系统关键技术
研究手段采用python实现算法的模型搭建和训练验证，最后导出，C++版本实现导入并推理运行，其中OpenCV做数据增强及可视化和TensorRT应用GPU加速推理需要两个版本均实现，流服务器采用simple-rtsp-server，推流工具采用ffmpeg，采用这些技术研究手段可以让系统更加切实解决主要需求点以及系统准确率、鲁棒性、实用性和可靠性高。
2.1 Yolov5框架
Yolov5是一种基于深度学习的目标检测框架，是由美国加州大学伯克利分校的研究员Alexey Bochkovskiy在Yolov4的基础上开发出的。相比于Yolov4，Yolov5在模型大小和速度上都有了显著的改进。其主要特点如下：
1.速度更快：Yolov5采用了一系列的优化策略，如采用FP16混合精度训练、使用CSPDarknet53作为骨干网络等，使得其在速度方面有了显著的提升。
2.模型更小：相比于Yolov4，Yolov5的模型大小更小，但在目标检测性能方面并没有明显下降。
3.精度更高：Yolov5在目标检测精度上也有了提升，特别是在小目标检测和低分辨率图像上表现更加优秀。
4.易于使用：Yolov5采用了PyTorch作为主要的开发框架，使得其在应用层面上更加易于使用和扩展。
5.总的来说，Yolov5是一种快速、精准、轻量级的目标检测框架，适用于各种不同的场景，如自动驾驶、安防监控、工业质检等。
2.2 OpenCV
OpenCV是一个通过跨平台来实现的计算机视觉的视觉库，用于对图像的处理、计算机视觉和机器学习等各种领域。它由C++编写，但也提供了Python、Java等语言的接口，方便开发人员使用。OpenCV的主要功能包括以下几个方面：
图像读取和保存：可以读取多种格式的图像文件，并将处理后的图像保存到文件中。
图像处理：包括图像缩放、旋转、翻转、裁剪、灰度化、二值化、滤波、边缘检测等操作。
物体检测：可以使用Haar、HOG、Cascade等算法进行物体检测，并输出检测结果。
人脸识别：可以使用LBPH、Eigenfaces、Fisherfaces等算法进行人脸识别。
视频处理：可以读取和处理视频文件，提取视频帧并进行相应的处理。
机器学习： 可以使用OpenCV提供的机器学习算法进行分类、聚类、回归等任务。OpenCV是一个功能强大、易于使用的计算机视觉库，因此被广泛用于计算机视觉领域和机器学习领域。
2.3 TensorRT
TensorRT是NVIDIA推出的一个高性能深度学习推理引擎，可以将训练好的深度学习模型转化为高效的推理模型，以在各种NVIDIA GPU上进行高速推理。TensorRT可以更好的对学习模型进行优化，从而增强推理性能，支持常见的深度学习框架，如TensorFlow、PyTorch、Caffe等。TensorRT的主要功能包括以下几个方面：
模型优化：可以自动识别和优化模型中的瓶颈，如卷积、池化等操作，并使用FP16和INT8量化等技术减少模型的存储和计算开销。
网络层支持：支持常见的卷积、池化、全连接、批量归一化、ReLU等操作，以及LSTM和GRU等循环神经网络。
动态形状支持：支持动态形状的输入和输出，以适应不同的批量大小和图像尺寸。
多GPU支持：支持在多个GPU上进行并行推理，提高推理性能。
优化器支持：支持常见的优化器，如Adam、SGD等。使用TensorRT可以大幅提高深度学习模型的推理性能，使得模型可以更快地在实际应用中运行。TensorRT也为深度学习模型在嵌入式设备上的部署提供了可靠的支持。
2.4 simple-rtsp-server
simple-rtsp-server是一个基于live555的开源RTSP服务器，可以用于将音视频流传输到网络上。它支持常见的音视频编码格式，如H.264、H.265、AAC等，可以将编码后的音视频数据打包成RTSP流，并通过RTSP协议传输到客户端。simple-rtsp-server的主要功能包括以下几个方面：
RTSP流传输：支持将编码后的音视频数据打包成RTSP流，并通过RTSP协议传输到客户端。
支持常见的音视频编码格式：如H.264、H.265、AAC等。
支持RTSP推流：支持将本地音视频数据推送到RTSP服务器，并通过RTSP协议传输到客户端。
支持RTMP推流：支持将本地音视频数据推送到RTMP服务器，并通过RTMP协议传输到客户端。
支持HTTP-FLV推流：支持将本地音视频数据推送到HTTP-FLV服务器，并通过HTTP-FLV协议传输到客户端。simple-rtsp-server是一个轻量级、易于使用的RTSP服务器，可以用于音视频流传输和推流，支持常见的音视频编码格式和协议，具有良好的扩展性和定制性。
2.5 ffmpeg
ffmpeg是一个开源的音视频处理工具库，可以用于音视频编解码、格式转换、流媒体处理等领域。它由C语言编写，支持Windows、Linux、Mac OS等操作系统。ffmpeg的主要功能包括以下几个方面：
音视频编解码：支持常见的音视频编解码格式，如H.264、H.265、AAC、MP3等。
格式转换：支持各种音视频格式之间的转换，如MP4、AVI、FLV、MOV等。
视频处理：支持视频的裁剪、旋转、缩放等操作，以及视频的滤镜、水印、字幕等特效处理。
媒体流处理：支持直播流和点播流的处理，可以将音视频流推送到RTMP、HLS、RTSP等流媒体服务器上，也可以从这些服务器上拉取音视频流进行播放。
命令行工具：提供了丰富的命令行工具，可以在命令行中进行音视频处理。ffmpeg是一个功能强大、灵活性高的音视频处理工具库，被广泛应用于音视频处理、媒体流传输等领域。它支持多种操作系统和编程语言，可以轻松集成到各种应用程序中。
第3章 系统分析
3.1 系统需求分析
在安全帽佩戴检测任务中，现有方法主要采用基于人工设计特征的传统的目标检测方法，但是这类方法大多数都存在准确率较低，对环境要求比较高等问题，此外缺点还有检测速度慢，无法满足安全帽佩戴检测任务中的监测要求，这种情况对于工人来说，很难保护好自己的安全。通过对安全帽检测的成功实现，可以使工地的安全负责人在快捷，方便，省时，省力的同时，更能准确地检测到工人是否佩戴安全帽。本论文研究实现基于改进Yolov5的高性能安全帽佩戴检测算法及实时连接网络摄像头推理展示。
该安全帽检测系统预期有如下功能：
（1）数据增强：安全帽数据集采集难度虽然低，但是面对小目标及摄像头边界目标识别率低，对数据采用各类增强算法将有效增加算法的通用性，避免安全负责人在检测过程中遗漏一些工人，同时避免工人在摄像头边界不太能拍清楚的地方也能清楚检测。
（2）模型调优：基于Yolov5进行模型调优，优化先验框，解决工地安全负责人在检测工地工人是否佩戴安全帽在很高的遮挡状态下的检测结果并不是很好的问题，优化损失函数，解决复杂场景下检测困难问题。
（3）算法部署：实现从网络摄像头到后端模型推理，使用流服务器推流至前端展示识别后的视频，rtsp延迟控制在3s内，rtmp推流延迟达到6s内。使工地负责人可以快速的检测到工人佩戴安全帽的情况。
3.2 系统可行性分析
3.2.1 经济可行性
本系统使用Yolov5算法的深度学习算法的研究，具有成本低，费用低，精度高，效果好等特点。采用Yolov5开发的操作费用和维护成本可以大大降低，除了简单的成本和效益，进一步考虑货币的时间价值将大大增加。目前已经有很多建筑工地运用安全帽检测系统，在建筑工程中的应用非常广泛。工地监控设备系统、建筑工人安全帽识别系统等。但是大部分安全帽检测系统都不是十分完善，主要功能还停留在检测安全帽以及对数据进行存储和管理等阶段，本项目通过将多种功能相结合来实现更加高效、全面的建筑工地安全帽检测与管理。采用Yolov5算法的深度神经网络技术的设计能够自动地完成很多安全帽检测的任务对应的数据集实现各个任务。
3.2.2 技术可行性
在考虑技术可能性时首先考虑的是现有的技术能否实现这个系统，因此在考虑采用Yolov5算法实现安全帽检测系统的设计与开发时，可以完美实现，在卷积神经网络对工地工人进行识别的过程中，运用提取数据集中的数据对安全帽的检测进行有效的检测，从而实现对安全帽检测的识别度，基于Yolov5实现的安全帽检测系统相比于更加传统的人工识别策略更能提高更佳的准确率。
3.2.3 操作可行性
本系统使用的是Yolov5支持的视频流完成本操作，从python上自带的flash模块写的网页以供用户使用，从而完成检测视频，检测视频流，检测图片等操作，因此去检测工地的工人是否带有安全帽，方便检测人员及时发现未带安全帽人员进行提醒等来保护人员安全不受工地高危地区免受高空坠物造成的巨大的风险。并且在检测过程中对使用人员的佩戴习惯和检测原则，去除掉从操作方式或者是操作过程的角度看到用户不能接受的方案。
3.3 功能需求分析
3.3.1 模型训练
基于Yolov5的安全帽检测系统中的模型训练是采用了优化的方法，用来降低在检测过程中模型训练的复杂度。这个系统是用一种以人脸识别、图片识别、视频流识别为基础的、通过利用深度学习的特点，进行安全帽特征、图片特征和视频特征在视频流提取与分类，最后再进行检测，通过两种算法相结合来实现在不同环境下的检测。将佩戴安全帽的特征集合在一起构成一个完美的数据集，根据数据集中的标签进行对视频流的检测，通过一个最开始的神经网络来不断进行自身参数的优化，从而在检测过程中更加准确。本系统由前端设备组成、安全帽识别网络和后端服务器三部分组成。前端设备主要包括：电脑摄像头、无线传输模块、管理后台，后端服务器主要包括：网络通讯模块、服务器应用程序以及客户端应用程序三部分组成。电脑摄像头在对安全帽进行识别的同时，采集视频图像，实时传输至平台以供后端使用；无线传输模块将摄像头或者前端采集的图像通过平台进行数据上传；客户端应用系统可通过网页版的方式对检测的数据进行实时浏览；后端使用的是Yolov5网络，它们分别用于检测安全帽和视频流中识别不同安全帽的图像；此外，还可通过Yolov5网络进行工地工作人员是否佩戴安全帽进行检索；最后检查人员登录后可根据需要网页对服务器上传的数据进行查看及提醒。
3.3.2 模型推理
将训练好的模型并且在训练数据集中的检测效果良好，但是本设计希望的是系统可以对之前从未见过的视频或者照片进行检测，因此用全新的视频流或者照片让网络进行判断，对这种现场数据进行检测判断，对现场数据的区分准确率很高，并且网络也不需要对数据集进行过多的处理。这一步也是下一步要进行的，为了提高准确率，为了实现更高精度的检测，也为了让安全帽检测系统对工地工作人员是否佩戴安全帽有更高的准确率，系统可以对这些数据集进行进一步提高。对所设计的模型和算法的检测结果和精度进行对比，发现模型性能很高并且检测结果精准。从检测准确率来看，此模型与其他方法比较具有优势地位，因为对于之前从未见过的图片来说，识别准确率极高。
3.3.3 pyqt可视化
对像素点、超像素和边界框进行pyqt可视化表达，因为相对独立的边界框中的表达是包含了很多场景信息，如果无法取得很好的场景标识，也就是安全帽的存在，也就无法进行前端的表达，利用很多尺度的边界框来提取安全帽的特征，把所检测到的工地工人佩戴安全帽的信息用信号发出去，再用进化函数接收，链接槽函数在展示到前端供工地安全负责人查看佩戴信息，因此保护好工地工人的安全。
3.3.4 注册登录
在注册界面进行注册，自定义账号和密码，注册完毕可以在主界面进行登录从而进行后续的检测功能，注册和登录可以提高安全检测人员在使用过程中的安全性，每个人可以进行注册自己的账号来完成自己的需要。
3.3.5 图片检测
检测图片中的人员是否戴有安全帽时，利用图像所具有的本身特点来进行更好的区分，对图像轮廓曲度最大或者是在轮廓方向改变的地方，尽享最大化的对照片中佩戴安全帽的信息进行精准的检测。当图片中的人员佩戴的安全帽种类繁多，并且具有多种外形特征时，则需要进一步将待检测图片中的人员佩戴安全帽与检测系统中给定模板库中的模板进行比对，判断其是否属于安全帽。当待检测图片的特征表现较为丰富时，可进一步通过人工审核的方式进行辅助检测。当待检测图片中人员佩戴的安全帽形状及样式较为复杂时，则需要设置多个安全帽特征模型来分别对不同类型的特征模型进行加权计算后得到最终结果。对待检测图片中人员佩戴安全帽的位置与定位方向进行判断，当出现误报或漏报时，需要对误报和漏报部分进行审核后返回检测结果。
3.3.6 视频检测
当有目标人物进入检测区域时，系统进行工作，会立即对人物进行安全帽佩戴的安全检测，若能检测到工地的工人佩戴安全帽，会对其进行拍照，并记录下相关数据。同时系统也可对已检测到的人员或视频进行安全帽识别，并判断是否佩戴。当检测到有目标人物未佩戴安全帽时，系统会立即发出person信号；视频检测的过程中发现有佩戴安全帽的人员时，系统会立即发出hat信号。由于安全帽是存在一定的差异性的，因此对于不同的颜色和形状是存在着不同的要求。针对不同职位的人群设计通过使用安全帽的颜色作为特征信息提取算法中使用到最多的颜色类别从而实现对工作人员进行分级处理。
3.3.7 视频流检测
可以对全新的视频流或者照片进行检测，并且识别准确率极高。对于全新的视频流，系统检测速度很，与其他方法对比，本系统的检测速度更快，并且对全新的图像检测效果很好。对视频流中的工地工作人员进行识别，发现模型具有一定的优势。在对安全帽的检测算法进行研究，对于不同的人员，所设计的模型和算法存在一定差异，并且对不同的检测也会有一定差异性。为了可以更好地区分人员佩戴安全帽情况，通过对视频流与照片进行分类处理，将视频流更好的进行划分。
3.3.8 人员定位
通过图片或者视频可以看到工地有工作人员有出现时，在检测模块中由于采用了循环卷积等操作，提高了网络模型的检测性能以及识别率，并且在此基础上增加了对分类器的训练，从而可以进行分类。本文对检测模块进行优化，使用更多的学习率进行训练，并且加入Softmax层以提高网络模型的检测性能。
3.3.9 检测信息管理
目标检测的目标有：在视频区域中的人脸、以及工作人员佩戴安全帽情况，将在工地追踪到的工作人员进行检测，会传送到前端查到人员的个人信息以及是否佩戴安全帽、是否正确佩戴、之前是否有经常不佩戴安全帽的记录，如果之前有的话并且未佩戴次数过多会将信息传给安全监督人员进行口头提醒等措施以实现保护工地工作人员的安全。
3.4 性能需求分析
区域覆盖范围：在检测区域内部署监控摄像头，可实现对重点区域的实时监控，有效地解决人员佩戴不规范的问题。系统响应时间：支持实时检测、延迟报警、历史数据查询等功能，数据准确性：系统采用基于深度学习的目标检测算法，利用深度学习技术可以对识别对象进行精准定位，减少因目标漂移而导致的误识别和漏识别的情况，运行速度快，数据传输稳定。
3.5 系统流程分析
Yolov5软件实现采用模块化设计，包含以下模块：输入界面通过输入文本信息并匹配出结果；通过输入数据生成相应的标签信息；输出信息包含结果用以安全监测工作人员查看。其中输入界面采用文字与图片相结合的形式，将文字信息和图片信息结合在一起。数据处理部分是整个软件的核心部分，主要对数据进行各种分析、处理。检测模块中的输出结果包括两种类型：一是最终可判定为安全帽的目标；二是经过初步判断后可能判定为不安全帽的目标，但经进一步检测后发现实际情况并非如此。一般情况下，先通过输出结果中"person"、"hat"等几个关键词初步判定目标是否佩戴安全；若判断结果为"person"则进一步通过上述判断为未佩戴安全帽；若显示为"hat"，则判断为佩戴安全帽。
