A Deep Learning Approach to Detect Complete Safety Equipment For Construction Workers Based On YOLOv7

在建筑领域，确保工人的安全至关重要。本研究提出了一种基于深度学习的技术，用于识别建筑工人所穿戴的安全装备，如头盔、护目镜、夹克、手套和鞋子等。推荐的方法使用YOLO v7（You Only Look Once）目标检测算法来精确定位这些安全物品。本研究使用的数据集由标记的图像组成，分为训练、测试和验证集。每个图像都有边界框标签，指示图像中安全装备的位置。通过迭代训练方法，模型被训练以根据标记的数据集识别和分类安全装备。我们使用自定义数据集来训练这个模型。我们训练的模型表现出色，对于安全装备的识别具有良好的精度、召回率和F1分数。此外，模型的评估产生了令人鼓舞的结果，mAP@0.5得分为87.7％。该模型表现出有效性，使得能够快速识别建筑工地上的安全装备违规行为。对结果的彻底评估揭示了该模型的优点，并指出了潜在的发展领域。通过提供一种自动和可信赖的安全装备检测方法，本研究为计算机视觉和职场安全领域做出了贡献。所提出的基于深度学习的方法将增加建筑行业的安全合规性，减少事故风险。

本论文旨在通过深度学习技术，识别建筑工人佩戴的安全装备，如头盔、护目镜、夹克、手套和鞋子等，以确保他们的安全。这是建筑行业面临的一个重要问题。

本论文使用YOLO v7算法，通过迭代训练的方式，对标注数据集中的安全装备进行定位和分类，从而实现自动检测和识别安全装备的功能。

本论文使用自定义数据集进行训练，模型的评估结果显示其在安全装备识别方面具有较高的准确性、召回率和F1得分。同时，模型具有快速识别建筑工地安全装备违规的能力，为保障工人安全做出了贡献。值得注意的是，本论文提供了开源代码和数据集。

近期的相关研究包括：《A Survey on Object Detection in Optical Remote Sensing Images》、《A Review of Object Detection in LiDAR Data》等。