【22】第45卷第02期2023-02收稿日期：2021-04-19基金项目：广东省科技计划（2021A0101180005）；中山市科技计划项目社会公益重点项目（2018B1018）作者简介：易海涛（1996-），男，江西萍乡人，硕士研究生，研究方向为深度学习、图像处理。通讯作者：李博（1977-），男，广东茂名人，副教授，硕士，研究方向为机器视觉检测、工业自动化。基于改进SSD的轧制设备手部安全检测方法研究ResearchonimprovedSSDbasedhandsafetydetectionmethodforrollingequipment易海涛1，李博2*，刘旗1，骆德汉1YIHai-tao1，LIBo2*，LIUQi1，LUODe-han1（1.广东工业大学信息工程学院，广州510006;2.电子科技大学中山学院机电工程学院，中山528402）摘要：针对轧制行业容易发生机器轧伤工人手部的安全事故，研究一种视觉快速识别手部进入危险区域的方法，提出一种基于SSD(SingleShotMultiboxDetector)改进的轻量型手部检测算法。将改进的神经网络MobileNet作为SSD主干网络对输入数据进行特征提取，并重新设计六个特征提取层；借鉴特征金字塔网络（FeaturePyramidNetworks，FPN）设计特征融合策略，使较浅特征层获取更丰富的语义信息；使用K-means聚类算法对模型默认框进行调整，使模型检测更加具有针对性；最后引入迁移学习策略对网络训练进行加速。从现场生产视频中获取真实环境下的人手数据样本进行实验，该改进算法检测速度达到20FPS，平均精度均值(mAP)可以达到99.44%，模型大小仅为25.7MB，检测性能优于当前主流的目标检测方法。关键词：手部安全检测；SSD目标检测算法；特征融合；K-means聚类中图分类号：TP391.4文献标志码：A文章编号：1009-0134(2023)02-0022-080引言在轧制行业中由于工人操作不慎导致机器轧伤人手的事故时有发生，本文研究视觉快速识别工人手部是否进入危险区域的方法，以实现设备智能化的安全控制。早期的手部检测方法主要通过肤色[1]、纹理[2]、轮廓[3]、像素标记[4]等人工提取的特征来进行，但是由于实际场景中手部的检测容易受到光照变化、运动模糊、手部姿态变化及物体遮挡等因素的影响，早期手部检测方法的鲁棒性不强且效果并不理想。近年来，人工智能技术发展迅速，基于卷积神经网络（ConvolutionalNeuralNetworks，CNN）的目标检测算法在提高物体检测性能方面也取得了重大进展。目前主流的目标检测算法可以分为两类，基于区域的方法和基于回归的方法。基于区域的方法是在图像中生成一组区域或对象建议，然后对每个建议进行分类[5]。典...
