导读：
为解决大型生产车间人工监控存在的易疲劳、漏检错检及成本高问题，以及满足智能化安全管理需求，论文开展深度学习在生产安全管理领域应用研究。以YOLOv8算法为核心构建智能管控系统，通过优化网络结构、采用自适应锚框与多尺度特征融合策略，精准检测场馆人数，结合分布式摄像头阵列实现人员密度超限预警；融合YOLOv8与目标检测算法，构建人体姿态关键点检测模型，利用轨迹分析识别人员跌倒行为，并通过构建专用数据集、数据增强等方法优化模型。实验表明，该模型精度与稳定性良好。系统实现人员流动和跌倒实时监测预警，为生产车间安全运营提供技术保障，推动管理数字化转型，未来具备优化拓展空间。
作者信息：
柴 政, 樊中奎：江西理工大学软件工程学院，江西 南昌
论文详情
数据采集
在常见的公开数据集中广泛搜集相关图片训练数据。利用知名的图像COCO数据集[5]平台检索与生产车间人员场景相关的图像资源。同时，借助百度、Bing、搜狗等主流搜索引擎，通过设置多样化的关键词，如"生产车间工作场景"、"生产车间人员跌倒"、"人员目标检测"等，进行图片搜索。为确保构建的数据集能够高度契合人员数量检测和人员跌倒检测任务的复杂需求，对于从网络渠道广泛搜集而来的海量图片，我们依据一系列严苛且精细的标准展开筛选工作。经过多轮严格筛选与细致整理，最终成功构建的数据集包含2000张用于人员数量检测的图像样本和2000个人员跌倒事件的样本，按照8:1:1的经典比例，将数据集划分为训练集、验证集和测试集。
基于YOLOv8的检测网络构建
- 网络架构上，骨干网络用C2f模块替换常用的C3模块，如图2所示。
- YOLOv8目标检测模型的颈部网络位于骨干与头部网络间，是关键组成部分。其采用优化的PAN-FPN结构变体，通过自下而上与自上而下的路径聚合，融合骨干网络不同阶段特征图，让浅层位置细节与深层语义信息互补。同时集成SPPF模块，在多感受野下聚合信息，并可能采用深度可分离卷积、残差连接等设计，平衡性能与速度、缓解梯度消失。该网络能为头部精准提供适配特征，有效提升车间小物体的检测准确性(如图3所示)。
- YOLOv8的头部网络是目标检测最后一环，位于颈部网络之后，负责处理多尺度特征图以生成目标分类概率与边界框坐标。如图4所示。
模型训练与结果分析
使用YOLOv8模型的训练是以之前采集的图片作为数据集进行的，这个过程也是不断循环迭代的，因为模型需要通过不断地训练和学习修正网络中各个参数以提高模型识别的精度(如图5所示)。
YOLOv8中常用的模型评价指标包括精确率、召回率、准确率和平均精度均值。
人员检测模型训练参数变化、跌倒检测模型训练参数变化如图6、图7所示。
总体而言，模型在训练过程中，各项损失不断降低，检测相关评价指标逐步提升并趋于稳定，显示出模型在目标检测任务上具备一定的学习和优化能力。
总结
本设计围绕"基于深度学习的生产车间智能管控系统"展开，针对传统人工监控效率低、成本高、漏检率高等问题，引入深度学习技术实现智能化管控。研究构建含多张人员检测图像及多个跌倒样本的专用数据集，按不同比例划分并增强数据多样性。采用YOLOv8轻量版算法，分析其网络架构，实施模型训练。基于PyQT等技术开发交互界面，实现实时检测、报警及可视化。研究通过数据、模型与系统协同优化，提升了场馆管控智能化水平，设计并开发具备图片检测、视频检测、摄像头检测功能的交互界面，实现实时人员数量检测、跌倒报警及结果展示，为生产车间安全管理提供了可行的技术方案，具有应用与推广价值。
基金项目：
江西省教育厅科技项目"基于深度学习的工业智能安全管控关键技术研究"，项目编号：GJJ210817。
原文链接：