基于深度学习的生产车间安全管控系统

作     者：杨可琳 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：邢薇薇

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：安全管控系统 安全帽佩戴检测算法 YOLOv5 SE-Net DenseNet 

摘      要：重工业是我国国民经济的脊梁,随着社会的发展、科技的进步,我国对重工业生产的安全管控有了更高的要求。目前,市场上的系统功能比较简单且偏向于业务管理,存在智能化低、安全性低的问题。基于深度学习的生产车间安全管控系统的开发一方面丰富了系统的功能模块,另一方面实现了安全帽佩戴检测算法,有利于提高系统的智能化和安全管控的能力,具有较强的现实意义。本文基于B/S架构构建生产车间安全管控系统,该系统采用Spring Boot和Vue对前后端进行分离式开发,使用My SQL、Redis构建分布式数据库。该系统包含六大功能模块,分别是人员管理模块、访客管理模块、告警管理模块、视频巡检模块、设备管理模块和危险作业管理模块。人员管理模块对员工、VIP、黑名单人员的信息进行管理。访客管理模块控制访客进出公司场地的申请、批准等流程。告警管理模块实现安全帽佩戴检测算法,通过设置分析任务和告警规则触发设备告警,实现实时告警。视频巡检模块可以制定巡检计划对生产过程进行巡检并上报巡检记录。设备管理模块管理公司设备。危险作业管理模块管理危险作业的申请、执行、变更、关闭等,在危险作业进行过程中,巡检人员可以在视频巡检模块对不同区域的工作情况进行巡查。在告警管理模块本文实现基于YOLOv5的安全帽佩戴检测算法,该算法对原始的Yolov5算法的CSP模块进行了两方面的改进,从而提高算法对小目标的检测能力。首先,将Dense Net和CSP相互融合,利用Dense Block紧密连接的特性,最大程度地提高网络对特征信息的提取能力以提高对小目标检测的能力。其次,在CSP的Conv后加入SE-Net注意力机制,使得网络更加关注小目标的特征信息,从而提高对小目标特征信息的提取能力。通过仿真试验,得出改进后的算法的准确性为96.2%。对比实验结果表明,在自制安全帽佩戴检测数据集或VOC2028公开数据集上,本文算法的m AP相比原始YOLOv5网络提高了。本文提出的基于YOLOv5的安全帽佩戴检测算法对安全帽检测的效果更好。本系统目前已经在多家公司投入使用,为公司提供了便捷的服务,节省了人力物力财力,有效减少了生产车间的安全事故发生率。