现如今,在国家政策的大力监督和推动下,企业对车间的安全性越来越重视,安全问题一旦发生会带给公司带来巨大财产和经济损失。对于工作人员着装的检测监督是目前很多企业需要解决的难题。随着计算机视觉技术的发展,现在很多工作场地已经全面覆盖了监控摄像头,为利用监控视频数据实现智能化奠定良好的硬件基础。本项目是我们实验室与国家电网合作的项目,旨在通过建立实现对整个工作站的管理人员对工作人员着装安全性进行监督和管理的系统,减少巡检人力成本,提升监督效率,有效减少安全事故的发生。首先,结合国内外当前的技术条件对通过监控视频对工作人员着装检测系统在实现中存在几个问题及难点进行分析,并针对工作站应用的实际场景设计出系统的功能模块和系统整体实现流程。分析对比了几种目标检测和实例分割技术的优缺点,选择了在准确率和速度、实现难度上综合最优的Mask-RCNN算法,它对输入视频帧图片进行分割,并裁剪出人的头、手、上半身、下半身、脚各个区域;然后对图像采用Batch Normalization等技术进行预处理,最后选择了VGG16网络作为分类网络,并结合实际应用需要,对网络结构进行简化。因为已有的工作人员着装数据集很少,所以我自己组织录制了不同场景40多个实验视频,裁剪筛选得到头部、手、脚、上半身、下半身有效样本总计10万余张作为数据集,同时结合了国家电网现场拍摄视频,用于卷积神经网络的训练和测试。通过训练得到可以对安全帽、工作服、工作裤、绝缘靴、绝缘手套五类安全着装穿戴情况进行检测分类的模型。并针对光线较弱的场景设计了“昏暗”模式,增加系统对不同光线适应性。经过测试,可以根据用户的需求对一项或者多项安全着装佩戴情况进行检测和标记。并且系统对于室内、室外场景和摄像机不同拍摄角度都有一定的适应性,对于光线不好的场景,系统的“昏暗”模式对光线较弱场景具有一定适应性。基本符合实际应用需求。