安全帽佩戴智能识别系统伴随着现代科技的发展趋势，安全帽佩戴智能识别系统的运用愈来愈普遍，各个安全施工监督部门对操作人员的需求逐步提升，很多示范工程首先选用各种各样智能监管方式，确保操作工作员的生命安全。安全帽佩戴智能识别系统能够达到施工企业和各个安全性监督部门的监管规则，合理确保施工区域操作人员的人身安全和企业财产安全。
近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。
第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这可以在图2中看到。本文介绍的是Yolo算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，其实个人觉得这个题目取得非常好，基本上把Yolo算法的特点概括全了：You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。
安全帽佩戴智能识别系统，对施工作业现场开展实时检测。当安全帽佩戴智能识别系统监控作业人员没有佩戴安全帽子时，系统会马上警报。与此同时，系统会将警报截屏和视频保存到数据库系统中，并汇报发送给有关管理者。与此同时，安全帽佩戴智能识别系统能够依据时间范围查看和播放报警记录和警报截屏，进一步提高了监控区域的监管的高效率，形成了强劲的管理监控效果，降低并减少了安全事故的产生。
class Yolo(object):
def __init__(self, weights_file, verbose=True):
self.verbose = verbose
# detection params
self.S = 7 # cell size
self.B = 2 # boxes_per_cell
self.classes = ["aeroplane", "bicycle", "bird", "boat", "bottle",
"bus", "car", "cat", "chair", "cow", "diningtable",
"dog", "horse", "motorbike", "person", "pottedplant",
"sheep", "sofa", "train","tvmonitor"]
self.C = len(self.classes) # number of classes
# offset for box center (top left point of each cell)
self.x_offset = np.transpose(np.reshape(np.array([np.arange(self.S)]*self.S*self.B),
[self.B, self.S, self.S]), [1, 2, 0])
self.y_offset = np.transpose(self.x_offset, [1, 0, 2])
self.threshold = 0.2 # confidence scores threhold
self.iou_threshold = 0.4
# the maximum number of boxes to be selected by non max suppression
self.max_output_size = 10安全帽佩戴智能识别系统设备布署在公司高危地区的出入门禁上，与门禁系统系统紧密结合。当工作员要想进到危险区工作时，她们必须在门禁经过系统识别查看是不是佩戴安全帽。假如作业施工人员不戴安全帽，就不能打开门禁闸机。
