1. 研究目的与意义
当前我国安全事故多发，安全生产形势严峻，且人的不安全行为是导致安全事故发生的重要原因。
研究表明，实时监督工人在施工现场的不安全行为有助于改善项目安全管理水平、减少安全事故发生。
目前普遍基于安管人员人工监督不安全行为的方式耗时费力、效率较低，管理人员却同时承受着严重的工作压力。
2. 课题关键问题和重难点
1. 样本采集和处理，作业场景的表现方式不同，图片采集、标记、处理工作量大，耗时长。
2. YOLO v4 运行环境的搭建，随着YOLO v4 的普及目前可供YOLO v4 运行的环境也是多种多样，从中选择和搭建一个合适且能正常运行的环境较为困难。
3. YOLO v4 训练模型不仅需要良好的硬件配置还需要时间，在训练过程中还可能出现错误，需要及时解决，训练出一个良好的模型也有一定的难度。
3. 国内外研究现状（文献综述）
深度卷积神经网络在目标检测中的研究与进展[1] 一般来说，YOLO检测算法中采用卷积网络来提取特征，然后使用全连接层来得到预测值。
但由于全连接层的存在，网络在训练过程中输入图片的尺寸必须固定，因此最终训练得到的网络对不同尺寸的测试图片不具备鲁棒性。
针对自制的数据集，其输入图像具有不同大小的尺寸，因此，为了增强模型对图像尺寸的鲁棒性，可以采取多尺度训练的策略。
4. 研究方案
四、方案论证（不少于100字）1.项目研究目标及主要内容 主要包括三部分内容：（1）电力作业人员安全着监控系统的算法实现（2）采集、标注数据，进行YOLO模型训练（3）嵌入式平台在线智能识别效果测试2.项目研究技术路线（1）目标检测类算法选择：传统的目标检测算法如HOG、SVM，过分依赖前期的特征提取效果，且提取的多为浅层特征，对目标的表达能力不足，无法适应复杂多样的环境，鲁棒性差。
之前的目标检测方法有 R-CNN，Fast-RCNN，Faster-RCNN 等，他们都是基于区域建议的目标检测框架，就是先通过候选区域算法生成大量的可能存在待检测目标的潜在候选框，再用分类器去判断每个候选框可能的存在目标概率或者置信度，最终判断候选框中存在的是什么目标物体。
可以看出，基于区域建议的目标检测框架，需要先确定候选框，再进行目标的检测，目标检测被分为了两部分，没有达到端到端的要求。
5. 工作计划
五、工作计划（不少于300字）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。
