基于深度学习的冶炼工人安全着装监测系统

为解决铜冶炼作业过程中工人安全着装穿戴不规范导致的安全生产问题,设计一种基于深度学习的冶炼工人安全着装监测系统。首先,在充分对比实验的基础上,选择准确性高且满足实时性要求的YOLOv5l作为工人安全着装目标检测模型,实验结果表明mAP@0.5、F1-Score分别为84.3%、90.8%,平均单帧检测时间为13 ms;其次,设计基于时空关系分析的工人安全着装推理算法,依据监测结果进行时空关系分析,实现对工人安全着装穿戴不规范现象的智能分析报警;最后,将YOLOv5l部署到DeepStream框架中结合推理算法构建安全着装监测系统,实现对违规现象声光报警、录制违规视频、上传移动端显示报警详情。经生产现场验证,系统误检率为4.8%、漏检率为2.7%,可有效提高铜冶炼安全监管水平。