工程论文哪里有？本文基于施工作业生产场景，首先通过构建安全帽和反光衣穿戴检测的数据集，提出安全帽检测的算法模型YOLO_CA和反光衣检测的算法模型YOLO-3S。其次，通过搭建反光衣和安全帽穿戴检测系统，实现智能化方式下对施工作业生产的安全监督管理，进一步替代人工监管。最后，将智能化监管方式与PDCA循环法相结合，提高实际施工生产中的安全监督管理效率，解决实际施工生产管理中的重点与难点问题。
第1章 绪论
1.2.1施工生产安全管理研究现状
施工建筑行业的伤亡率普遍高于其他行业，通过在设计阶段识别危险并进行风险规划，构建安全管理体系能有助于预防安全事故的发生[15]。Jin等人通过分析建筑安全领域有影响力的513篇期刊文章，提出了应用信息技术、制定施工人员相关得安全管理计划、进行危险识别和风险评估等为未来施工生产领域的主要研究方向[16]。Zheng指出建筑施工的工艺复杂，构建安全事故防控指标体系能确保职工安全[17]。Wang等认为安全管理重在事故预防，提出实现零事故安全理论的重点的六大基本因素，为实现零事故提供最大的影响的有效安全措施[18]。Mahdinia等采用模糊层次分析法研究建筑工程安全风险评价的特点，提出加强技术检查和危险检测能够有助于减少建筑项目中发生事故的风险[19]。此外，还能通过利用图像识别技术来提高建筑工人的安全性[20]。Soltanzadeh等人基于项目管理知识体系和可持续性方法，以及采用风险评估的方法实现建设工程安全事故的减少[21]。李杨针对施工安全生产监督检查缺失等问题，构建了建筑施工安全管理总框架并提出一种全新的管理方案，进一步促进施工安全的提升[22]。左晨等指出安全管理主要风险因素包括设备、材料和人员等，通过风险预估并制定防控措施能降低施工现场安全事故的发生概率[23]。黄芳英通过加强施工安全监管等措施，全面落实施工安全管理工作并不断完善施工安全管理体系，提升了工程施工质量、效率与安全，保证工期并降低施工成本[24]。黎祥提出通过实施有效的安全管理措施能提工程施工的质量和效率，并能保证施工人员的安全[25]。叶贵等人指出建筑工人不安全行为是诱发事故的重要致因[26]。通过在施工生产管理中加强系统的运用，实现施工管理与安全防护一体化管理和信息资源共享、业务数据的综合利用，切实保障改造工程的顺利建设[27]。
第3章 基于YOLO_CA的安全帽佩戴检测研究
3.1 数据集与实验平台
3.1.1数据集构建与标注
对于一些现有数据集大多收集于广告，其中一些图像背景不是建筑工地。考虑到模型在实际应用中应具有稳健性，所以从建筑背景、角度和类别等方面构建了一个新的数据集来检测施工人员佩戴安全帽情况。通过开源数据集重组等方式得到模型训练的数据集，该数据集共10700张图片，为方便模型训练按照8:1:1的比例进行随机划分，分别为训练集、验证集和测试集。
使用可视化标注工具对数据集中的图像进行标注，以便后续检测模型的训练。针对安全帽佩戴检测任务，将图像标注为佩戴和未佩戴安全帽2个类别，标签分别为hat和people。在标注时，标签为hat的类别不仅仅只标注安全帽区域，还必须包含施工作业人员的脸部，从而可以有效避误检。在数据标注过程中，使用可视化标注工具LabelImg[69]进行图像标注并将标注后的标签信息保存为YOLO格式的txt文件。部分图像标注的过程情况如图3-1所示。在实验中，训练集和验证集被统一缩放到640*640大小，以提高模型训练过程中数据的可靠性。使用数据增强方法Mosaic通过随机剪切和拼接任意四幅图像来增加数据的多样性，采用异步随机梯度下降（SGD）方法来更新梯度。
第5章 检测系统构建与PDCA监管策略
5.1系统功能设计
安全帽反光衣检测系统的系统架构图如图5-1所示，安全帽和反光衣检测系统主要包括用户登录、注册、安全帽和反光衣的图片和图片文件夹检测、视频检测、实时检测、检测结果保存以及检测统计这7个功能模块，检测系统的核心为预先训练好的安全帽和反光衣目标检测模型。首先是用户登录界面，判断系统用户是否登录，登录成功则进入检测系统，若新用户没有用户名和密码可以先进行注册然后再登录。在进入检测主界面后可选择检测模型，其中hat_best.pt为安全帽佩戴检测模型，reflect_best.pt为反光衣检测模型，选择好模型后即可按需进行相应的图像检测。
5.2系统实现与应用
5.2.2 PyQt5介绍
跨平台的图形用户界面库Qt，提供了创建图形界面的工具和函数。Qt具有跨平台、多种编程语言支持以及拥有大量的类和函数等优点。而PyQt5是基于Qt的Python绑定，能够对Qt库进行访问，并支持Qt基本模块[107]。可以利用PyQt5创建桌面、嵌入式和移动应用等应用程序，并且也能支持多种操作系统。PyQt5具备信号槽通信机制并能自动生成Python代码，PyQt5主要包含三个部分：（1）QT Designer负责UI界面设计；（2）PyUIC工具负责将已设计好的UI界面转换为Python文件；（3）已设计好的软件程序可以用PyInstaller工具压缩成为exe可执行文件；因此，本文选择 PyQt5设计安全帽和反光衣的目标检测系统界面。
图5-2所展示的为Qt Designer的基础设计界面，主要由左侧的功能控件列表、中间Main Window窗口、右侧上方为已摆放控件类的名称、右侧下方的控件属性编辑区4个部分组成。
第6章 总结与展望
6.2未来展望
本文基于对YOLO算法网络结构的改进，完成了反光衣和安全帽的穿戴检测，并在此基础上构建了安全帽和反光衣的检测系统，然后将该系统与PDCA循环法相结合提高施工生产安全监督管理效率，但仍还存在一些不足之处。如构建的安全帽和反光衣检测系统用PyQt5进行图形界面设计和实现时还未连接数据库；在对反光衣和安全帽穿戴检测的研究时，只完成了对相关人员是否穿戴进行识别检测。基于以上的不足之处，未来的研究工作还需从以下几个方面进行：
1.需要扩展来自不同领域的数据源，便于进一步扩展安全帽和反光衣检测应用的领域，不仅可以用于建筑施工场景，还可以应用在其他工业生产场景以及交通场景中。进一步充分利用庞大的数据集中标注的属性信息，依托该数据集开展施工作业人员的身份信息识别验证等深入研究。
2.在后续工作加入两阶段目标检测方法或传统的深度学习方法，与本文所提出的方法进行比较，同时也需要注意技术的前沿发展，后续可以考虑最新的模型或技术来取代以前的方法，从而更好地提高应用的有效性。
3. 将本文提出的检测系统进行部署应用。把检测模型和系统部署到实际的施工生产场景中，并加入目标跟踪方法如DeepSort等，实现对于目标人员的识别和追踪，做到精确定位。还可以对未被授权的施工生产无关人员进入特定区域进行告警，保证施工生产安全。
4.检测系统为交互式的Web界面更方便广泛应用，在后续的研究中可以考虑用网页开发方式，如使用Vue等前端框架进行开发，将检测系统的功能进行扩展，并将其连接数据库和进行分级管理，保证数据可溯性和安全性。
参考文献（略）
