1. 研究目的与意义、国内外研究现状（文献综述）
近年来，随着国家基础建设的大力发展，全国建筑业安全生产理念也逐步推广。2019年中国建筑安全生产工作会在深圳召开会议通报了全国建筑安全生产形势，通报显示，建筑业安全事故总量不容乐观，并发布了《中国建筑作业人员“三铁六律”行为安全准则》，规定了作业人员必须佩戴安全帽，以减少事故发生率。安全帽作为安全防护用品，其主要作用是保护施工现场工作人员的头部，防止高空物体坠落造成头部损伤，防止物体打击、碰撞。安全帽作为保护头部的重要装置，施工现场必须保证施工人员的安全，因此要实时监测安全帽佩戴情况，即“人”“帽”不分离。
传统的目标检测需要通过手工设计特征来实现,该种方法检测准确率低，不具备鲁棒性。近年来,深度学习凭借卷积神经网络(cnn)在提取图像特征时无需手工设计特征的优势[1],渐渐获得学者青睐,相应地,很多研究人员提出了一系列基于深度学习的目标检测算法。girshick[2]等在2014年使用候选区域(regionproposal) cnn代替传统目标检测使用的滑动窗口 手工设计特征,设计了区域卷积神经网络(r-cnn),在voc2012数据集上,将目标检测的平均准确度(map)提升了30%，达到53.3%。girshick'[3]和ren[4]等分别提出了快速区域卷积神经网络(fastr-cnn)和超快区域卷积神经网络(fasterr-cnn),不仅提高了准确率,还增加了检测速度,帧速率可以达到5f/s。2015年，redmonj[5]等可提出了yolo检测算法，该算法达到了可以检测视频的速度(45f/s)。2016年,wliu[6]等人提出了ssd(singleshotmultiboxdetector)检测算法,该算法在检测精度和检测时间上均取得了良好的效果,与此同时,在yolo基础上，redmonj[7]又提出了yolov2和yolov3检测算法,其中yolov3的检测效果更好,在coco数据集上实现了在51ms时间内map达到57.9%的效果，与retinanet在198ms内map达到57.5%效果相当,性能相似但速度快3.8倍,由此可见，yolov3在目标检测领域,能够同时保证准确率和检测速率,取得较好的检测效果。
由于深度学习在目标检测领域取得了快速发展,许多学者开始将深度学习技术用于实际应用场景中,并取得了很好的效果。姚群力[8]等采用深度卷积神经网络对目标检测进行了相关研究。谢林江等将卷积神经网络用于行人检测领域,提高了行人检测[9]准确率。彭清等川采用卷积神经网络提取特征,将其用于车辆识别[10]领域,实现了对车辆的快速识别。由此可见，深度学习方法目前受到了越来越多的关注，将其与实际应用场景相结合,是目前的一大热门研究方向。
2. 研究的基本内容和问题
目标：实现基于深度学习的安全帽佩戴识别检测系统
内容：实现视频流上传模块、人体检测模块和安全帽检测模块
视频流上传模块：将工地视频监控数据的视频格式文件通过opencv开发库转化为图像格式文件，作为初筛数据，并存储到文件中。
3. 研究的方法与方案
研究方法：使用tensorflow框架和Python语言搭建深度学习网络，进行深度学习；使用OpenCV库进行数据集处理。
技术路线：系统总体模块如下图所示：
图1 系统总体模块
实验方案：查阅资料，学习使用tensorflow搭建框架；制作数据集，从网上查找有关安全帽佩戴情况的图片视频等，通过相关技术做成大小相等的图片；参考现有网络设计的合理之处设计新的网络，并用数据集进行训练，不断学习，找到更合适的参数，减少实验误差，训练出更优秀的网络模型；用训练好的模型进行安全帽识别，对比检测效果；封装成系统，使之能够直观实时使用。
可行性分析：目前已经有一些学者对安全帽的自动识别技术进行了相关研究，现有方法主要采用传统的目标检测方法,大多存在准确率低,对环境要求较高等问题,同时传统的目标检测方法检测速度较慢,不能满足生产环境中的实时检测要求。由于施工现场大多光照多变、背景复杂、作业人员形态各样，因此传统检测模式不适应安全帽目标检测。而运用深度学习中基于YOLO v3的检测算法具有较高的分辨率且运算速度更快，能满足较好的实时要求。
4. 研究创新点
使用深度学习的方法进行安全帽识别，打破了传统检测算法中对环境要求高的限制；可以通过视频流直接抓取图像，进行分析检测，运算速率更快，能够较好的满足实时检测的要求；将整个过程封装成系统，更直观，使用方便。
5. 研究计划与进展
第一周：学习python语言的使用，搭好tensorflow框架，了解深度学习的具体概念和专业术语，学习深度学习的具体流程，学习如何搭建网络模型，尝试运行简单程序。
第二周：从网上下载视频，并将其和从老师那获得的数据转换成图片，制作成格式统一的数据集。
第三周：尝试设计网络模型，并将部分处理好的数据进行网络训练，不断调试，得到较好的参数。
