1.2.3　机械安全中人体异常行为识别与检测研究现状

人体异常行为识别与检测作为计算机视觉和人工智能领域的热点之一，近年来不断受到学术界和工业界的重视，其发展状况对于工业安全有着极大的影响。之前主要是基于机器视觉的方法，通过特征描述来识别人体异常行为的。随着深度学习的发展，将深度学习技术应用于人体异常行为识别也得到了进一步的发展。基于深度学习的人体异常行为识别的特征信息完全通过神经网络计算而来，没有人工参与，且可以识别多种行为，健壮性强，国内外众多学者开展了基于深度学习的人体异常行为识别与检测研究。

基于深度学习的人体异常行为识别与检测大致可分为两类，一类以行为识别为主要目的，针对异常姿态或动作建立样本库，通过人体目标检测、姿态估计、动作识别等方法判别具体行为，并最终判定其是否属于异常行为样本库范畴［45］；另一类以异常行为检测为主要目的，较少考虑具体的异常姿态或动作，往往通过与正常场景进行相似度对比来实现异常情景的判定［46］。

机械安全中的人体异常行为包括人体接近危险源、未规范佩戴个人防护用品（如安全帽、防护眼镜等）等。在人的空间位置检测方面，可通过安全防护装置检测人体与危险源之间的距离。安全防护装置主要有安全光幕、安全激光扫描仪、安全垫、视觉系统等，这些安全防护装置在使用时存在被绕开的可能，同时无法区分人或设备。

在个人防护用品规范佩戴方面，大多行业的人体异常行为检测还是以人工为主的，在进入相关作业现场前，由监管人员检测是否佩戴安全帽、安全手套等，但是人工检测存在费时费力、漏检及无法实时监控等问题，因而会留下一定的安全隐患。为此，国内外众多学者开展了基于深度学习个人防护用品规范佩戴检测研究。

目前，基于深度学习的个人防护用品规范佩戴检测研究主要集中在安全帽上。例如，MICILOTTA等［47］提出了一种“凸”字定位人体头部的方法，根据人体形状特征实现头部定位；RUBAIYAT等［48］首先通过图像频域信息与梯度图结合的方法检测建筑工人，并基于颜色和圆形霍夫变换特征提取方法检测安全帽佩戴情况；杜思远［49］首先利用ViBe运动目标检测算法提取前景目标（人体），然后通过人体的长宽比来实现安全帽区域的初步定位，最后结合DPM算法实现安全帽佩戴检测；李琪瑞［50］首先通过结合背景减除法与人体HOG特征匹配来实现人体目标检测，然后利用“凸”字法定位人体头部并提取头部区域图像的HOG特征和颜色特征，最后将提取的特征输入SVM分类器中实现安全帽佩戴检测；王忠玉［51］针对视频监控中安全帽区域较小、不易检测的问题，在Faster R-CNN中引入了特征融合金字塔，使得安全帽佩戴检测效果得到了显著提升；王凯迪［52］提出了基于YOLO改进的YOLO-Person和YOLO-Helmet，分别用于检测人体与安全帽，使用卷积层替换YOLO中的全连接层进行降维，并引入锚盒机制，最终取得了较好的检测效果；林俊等［53］直接对安全帽进行检测，提出了基于YOLO的安全帽佩戴检测方法，其检测准确率较高；何超［54］提出了基于改进的YOLOv3的安全帽佩戴检测模型H-YOLOv3，形成深度融合的安全帽佩戴快速检测模型；徐传运等［55］使用场景增强技术扩充安全帽数据集，并基于YOLOv4训练安全帽佩戴检测模型，有效地提高了检测精度；史德伟等［56］使用YOLOv5目标检测算法实现安全帽佩戴检测，提高了检测精度。除上述对安全帽佩戴检测的研究外，对安全手套佩戴检测也有少量研究，如方叶祥等［57］提出了一种基于模式识别技术的人手安全检测模型，实现了人机协作下不戴安全手套行为的监管。

以上研究大多是针对安全帽或安全手套等单个目标进行检测的，往往很难满足实际作业场景下多种个人防护用品佩戴检测的需要，如同时检测安全帽和安全手套的佩戴情况。虽然可以通过同时使用多种单个目标检测装置实现，但对机械安全防护系统而言，存在检测系统复杂、功能安全性低、融合性差等问题。因此现有个人防护用品佩戴检测存在明显的局限性，即无法同时实现多种个人防护用品佩戴检测。