随着我国加强城市规划建设管理的一系列相关政策的提出与落实,城市基础设施的建设与完善相较以前更加的频繁,道路维修和桥梁维护等施工危险场地变得越来越多。危险区人员检测系统可以在危险区域无人看管或其他提示设施损坏失灵的情况下及时给人以示警,避免不必要的伤亡、解放劳动力。人员检测与识别因其广泛的应用范畴在深度学习领域备受青睐,本文的危险区人员检测系统也是在此基础上进行的应用研究。本文的主要工作内容如下:(1)创建人员检测自建数据集。道路施工危险区复杂的背景和施工人员服饰、动作的多样性,为人员检测添加了很大的难度,因此在数据采集时选择了不同的道路背景和多种工作服饰,并采集部分模拟施工动作人物图像用于模型训练。本文通过红外摄像设备人工采集整理并手动标注,创建了日间及夜间人员检测数据集,包括行人和工作人员图像共10500张。(2)实现危险区域的标定。本文使用警戒隔离线代替施工拦截设备作为危险区边界标志,通过霍夫变换直线检测算法对危险区直线边界进行检测,并在此基础上进行改进,消除冗余直线,最终输出危险区域范围用于对比人员坐标,确定人员是否位于危险区域。该方法在拦截设备小范围遮挡或毁坏时仍能正常检测,具备一定稳定性。(3)基于深度学习的人员检测算法应用研究。考虑实际应用倾向,本文人员检测算法从适用于嵌入式设备的轻量型网络中选择研究,分别对TinyYOLO、TinyYOLOv3、SSD-MobileNetV1-FPN和SSD-Mobile Net V2四种检测网络进行了算法分析与实验对比。并通过人员检测自建数据集分别对筛选出的SSD-MobileNetV1-FPN和SSDMobile Net V2模型进行迁移学习训练,对比实验结果与模型检测效果,选择SSDMobileNetV1-FPN人员检测模型应用于危险区人员检测系统,其日间及夜间检测模型m AP分别达到了0.952和0.973,且能够实现近实时检测。(4)危险区人员检测应用系统的实现。本文通过GUI实现了人员检测模块、危险区检测模块、语音及窗口报警模块和实时时钟模块的系统连接,能够实现日间或夜间模式下的危险区与全区域人员检测计数,并在检测到误入行人时触发语音报警与对话框提示。此外,系统还具备模式切换、区域选择、设备镜头偏离语音提醒等辅助功能。