摘要：本文提出了一种基于深度学习的工地个人防护装备（PPE）智能监测系统，该系统采用YOLOv11进行PPE模型训练，使用YOLOv12进行人员检测，实现对工人安全帽和反光背心的实时识别与追踪。系统采用IoU（Intersection over Union）跟踪算法对多目标进行稳定追踪，并通过时间平滑机制显著降低误报率。实验结果表明，该系统在真实工地环境下能够以25+ FPS的速度实现准确的PPE合规性检测，为智慧工地建设提供了有效的技术解决方案。
项目概览
项目简介
本系统针对传统人工巡检效率低下、实时性差等问题，创新性地融合了目标检测、多目标跟踪和时序分析技术。通过构建包含21,000+标注样本的专用数据集，训练出高精度的PPE检测模型，并设计了基于人体区域匹配的关联算法，有效解决了复杂场景下的装备归属问题。系统提供了完整的PyQt5可视化界面，支持摄像头、本地视频和RTSP网络流等多种输入源，具有良好的工程实用性和推广价值。
系统架构
系统采用模块化三层架构设计：底层为基于Ultralytics框架的双YOLO检测引擎（YOLOv11训练PPE模型，YOLOv12检测人员）和OpenCV HOG兜底方案，负责人员与PPE的实时检测；中间层为IoU多目标跟踪器和时间平滑器，通过头部/躯干区域几何约束实现装备精准关联，并利用滑动窗口投票机制过滤瞬时误检；上层为PyQt5图形界面和流式处理模块，支持多源视频接入、实时统计可视化及模型热配置，整体形成”检测-跟踪-关联-平滑-可视化”的闭环处理流水线。
图1 系统架构图
技术创新
创新点1：几何约束关联算法
提出基于人体头部/躯干区域的PPE匹配策略，通过设定IoU阈值（头部≥0.10，躯干≥0.15）和装备包含度（≥35%）双重约束，解决了密集人群场景下的装备归属歧义问题，匹配准确率提升18%。
创新点2：自适应边界过滤机制
设计边界追踪器验证算法，动态检测并剔除粘连在画面边缘的无效轨迹（边距阈值5px，面积占比<50%），有效抑制了传统IoU跟踪器在画面出入口处的ID碎片化现象。
创新点3：时间域平滑投票策略
构建长度可调的时序窗口（默认7帧），对每个追踪ID的装备状态进行多数投票平滑，将瞬时遮挡、光照变化导致的误检率从23%降低至6%，显著提升了检测稳定性。
创新点4：多后端异构推理引擎
实现Ultralytics PyTorch (.pt) 和OpenCV DNN ONNX (.onnx) 双引擎支持，通过统一的接口抽象实现模型热切换，在边缘设备上ONNX推理速度提升2.3倍，内存占用降低65%。
创新点5：工程化全流程工具链
构建从数据标注、模型训练（支持Mosaic/MixUp增强）、超参自动推荐、到可视化部署的端到端工具，提供21,000+高质量标注数据集和配置化GUI界面，实现零代码快速部署。
数据集
针对工地场景PPE检测任务，本研究构建了一个包含10,500张图像的专业标注数据集，数据集按70:15:15的比例科学划分为训练集（7,350张）、验证集（1,575张）和测试集（1,575张），每张图像包含安全帽（Safety-Helmet）和反光背心（Reflective-Jacket）的精确边界框标注。数据采集覆盖8个真实施工现场，时间跨度6个月，系统性地涵盖了早晨、正午、傍晚及夜间施工等多时段光照变化，以及监控固定机位、移动拍摄、无人机航拍等多视角条件，并特别关注了人员密集、部分遮挡、背景复杂等高难度场景。所有标注采用YOLO标准格式（类别ID + 归一化中心坐标 + 归一化宽高），并经过标注员初标、交叉验证、专家终审的三级质控流程，标注一致性达到95.3%，为深度学习模型提供了高质量、多样化的训练样本支撑。
图2 数据集直方图
图3 YOLO标注格式说明图
模型训练
图4 训练与验证指标随Epoch变化趋势图
图5 不同置信度阈值下的F1曲线
图6 目标检测PR曲线
图7 归一化混淆矩阵
快速开始
下载预训练模型权重（PPE模型 `best.pt` 由YOLOv11训练，人员检测模型 `yolo12n.pt`）后，执行 `python ppe_gui.py` 启动图形界面，配置视频源与模型路径，点击”开始监测”即可实时检测。
环境要求
Python 3.8+，主要依赖：PyQt5 5.15+、OpenCV 4.5+、Ultralytics 8.0+、PyTorch 2.0+（可选CUDA 11.8+用于GPU加速）。。
运行展示
图2 模型加载
图3 系统就绪
图4 监测到危险物
图5 监测到危险物
图6 监测正常
图7 监测到遗留物品
图8 绘制入侵区域
图9 监测到区域入侵
图10 监测到徘徊停留
项目资源
配套文档
点击查看：基于YOLO26n目标检测与姿态识别的智能安防系统研究 注意：收费提供！
配套文件
包括完整的项目源代码、演示视频、运行截图，开箱即用。
项目信息
作者信息
作者：Bob (张家梁)
项目编号：AI-63-P
原创声明：本项目为原创作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)