1. 研究目的与意义
随着进入二十一世纪以来人口飞速增长，住房成为人们迫切需要解决的问题，而作为住房建设的主场工地却常常事故频发，其中很重要的一部分原因是施工人员没有正确佩戴安全帽。
安全帽作为有效的头部防护工具目前已被广泛使用于各类施工现场，但由于施工现场安全管理疏忽、施工人员安全防护意识薄弱等原因，一些因未佩戴安全帽而引发的伤亡事故频繁发生。
因此，实现施工现场安全帽佩戴检测以及对未佩戴安全帽人员进行实时的提醒，对于施工现场的安全防护管理以及智能信息化管理具有重要意义。
2. 课题关键问题和重难点
1.YOLO算法需要在ubuntu平台实现，因此前期需要搭建ubuntu平台，并安装labellmg图像标注工具和YOLO等一系列软件，由于平台兼容性原因，安装会是个不断调试的过程。
2.模型训练需要收集大量施工现场相关人员佩戴头盔和未佩戴头盔的照片，并对此处大量照片进行清洗，筛选出其中无效的照片，为保证准确性此处无法使用软件清洗，此处工作量较大。
3.对采集的照片使用labellmg工具进行图像标注，此处无法采用机器标注只能采用人工手动的方法，几千张照片每一张都要标注清楚并生成xml格式的有效标注文件。
3. 国内外研究现状（文献综述）
随着人口数量逐渐增加，住房需求不断增长，工地也因此不断变多，而工地安全管理一直作为工地管理的重中之重，工人在不佩戴安全帽的情况下，工地高空坠物时极易对工人的生命安全造成严重威胁，从而引发工地安全事故。
本课题正是基于此，设计基于深度学习算法的安全帽佩戴检测系统来减少、预防、甚至是杜绝此类安全事故的发生，从而保障工人的生命安全。
传统的目标检测方法主要有VJ算法，HOG、DMP、SIFT（包围框回归）等，这些方法主要是在传统的手动设计特征基础上结合了滑动窗口来进行目标检测和定位。
4. 研究方案
项目研究方向及主要内容1、环境搭建硬件基础：i5 24508G500G软件环境：Ubuntu 20.04.1CUDA并行计算框架CUDNN神经网络加速库2、数据集收集与清洗（1）收集数据集与清洗：收集人们佩戴头盔相关的照片，大约4000张，并对样本照片进行清洗，筛选出有效样本，剔除无效样本。
（2）数据集分类：对清洗完成的数据集进行分类，将佩戴头盔和未佩戴头盔的样本照片分类。
3、数据集标注并生成相应标记文件利用labellmg进行图像标注：安装图像标注工具labellmg，添加自定义类别no helmet（没戴头盔）和helmet（戴头盔）之后对收集的样本照片进行相应的分类标注，生成YOLO格式的txt标记文件。
5. 工作计划
第1周：基本资料查阅、相关资料阅读学习，并完成不少于3000字的外文文献翻译；第2周：继续查阅相关资料，论证设计的可行性，研究设计方案和设计思路。
确定设计方案和关键技术，拟定采取的解决措施，完成毕业设计开题报告；第3周：指导教师审阅开题报告，提出修改意见，学生整改毕业设计开题报告；第4周：掌握深度学习YOLO算法的基本原理，熟悉其目标检测的具体步骤；第5周：理解YOLO的网络参数，掌握包括YOLO深度学习模型的建立、训练及使用方法等；第6周：根据设计指标要求，收集项目中需要的训练数据集，并进行样本标记，开展模型训练，准备中期检查； 第7周：继续进行模型训练，开展算法测试和算法改进，使之适应施工现场目标识别特点；第8周：将算法模型部署在嵌入式平台上，同时列写毕业论文大纲，准备起草论文；第9周：进行系统的整体调试，整理资料，完成撰写毕业论文的工作；第10周：修改并完善毕业论文； 第11周：提交毕业论文终稿及相应的查重报告；第12周：指导教师审阅毕业论文，修改后准备毕业答辩；第13周：毕业设计答辩及成绩评定。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
