RV1126B 安全帽检测)
1. 安全帽检测简介
安全帽佩戴检测是工地、生产安全、安防的重中之重，但人为主观检测的方式时效性差且不能全程监控。AI技术的日渐成熟催生了安全帽佩戴检测方案，成为了监督佩戴安全帽的利器。本安全帽检测算法是一种基于深度学习的对人进行检测定位的目标检测，能有效用于产品落地。
本安全帽检测算法在数据集表现如下所示
基于EASY-EAI-Nano-TB硬件主板的运行效率：
2. 快速上手
2.1 开发环境准备
如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。
在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。
cd ~/develop_environment ./run.sh2.2 源码下载
在EASY-EAI编译环境下创建存放源码仓库的管理目录：
cd /opt mkdir EASY-EAI-Toolkit cd EASY-EAI-Toolkit通过git工具，在管理目录内克隆远程仓库
git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-1126B.git注：
* 此处可能会因网络原因造成卡顿，请耐心等待。
* 如果实在要在gitHub网页上下载，也要把整个仓库下载下来，不能单独下载本实例对应的目录。
2.3 模型部署
要完成算法Demo的执行，需要先下载安全帽检测算法模型。
百度网盘链接为：https://pan.baidu.com/s/1nGQCTpD_Bk4byxqILZSWwA?pwd=1234 （提取码：1234 ）。
同时需要把下载的人脸检测算法模型复制粘贴到Release/目录：
2.4 例程编译
进入到对应的例程目录执行编译操作，具体命令如下所示：
cd EASY-EAI-Toolkit-1126B/Demos/algorithm-helmet/ ./build.sh cpres注：
* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持/mnt挂载。
* 若build.sh脚本带有cpres参数，则会把Release/目录下的所有资源都拷贝到开发板上。
2.5 例程运行及效果
通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：
cd /userdata/Demo/algorithm-helmet/运行例程命令如下所示：
sudo ./test-helmet_detect helmet_detect.model test.jpg在EASY-EAI编译环境可以取回测试图片:
cp /mnt/userdata/Demo/algorithm-helmet/result.jpg .结果图片如下所示：
API的详细说明，以及API的调用（本例程源码），详细信息见下方说明。
3. 安全帽检测API说明
3.1 引用方式
为方便客户在本地工程中直接调用我们的EASY EAI api库，此处列出工程中需要链接的库以及头文件等，方便用户直接添加。
3.2 安全帽检测初始化函数
安全帽检测初始化函数原型如下所示。
int helmet_detect_init(rknn_context *ctx, const char * path)具体介绍如下所示。
3.3 安全帽检测运行函数
安全帽检测运行函数helmet_detect_run原型如下所示。
3.4 安全帽检测释放函数
安全帽检测释放函数原型如下所示。
int helmet_detect_release(rknn_context ctx)具体介绍如下所示。
4. 安全帽检测算法例程
例程目录为Demos/algorithm-helmet/test-helmet_detect.cpp，操作流程如下。
参考例程如下所示。
#include <opencv2/opencv.hpp> #include <stdio.h> #include <sys/time.h> #include"helmet_detect.h" using namespace cv; using namespace std; static Scalar colorArray[10]={ Scalar(255, 0, 0, 255), Scalar(0, 255, 0, 255), Scalar(0,0,139,255), Scalar(0,100,0,255), Scalar(139,139,0,255), Scalar(209,206,0,255), Scalar(0,127,255,255), Scalar(139,61,72,255), Scalar(0,255,0,255), Scalar(255,0,0,255), }; int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour) { int tl = round(0.002 * (src.rows + src.cols) / 2) + 1; rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3); int tf = max(tl -1, 1); int base_line = 0; cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line); int x3 = x1 + t_size.width; int y3 = y1 - t_size.height - 3; rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1); putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8); return 0; } int main(int argc, char **argv) { if (argc != 3) { printf("%s <model_path> <image_path>\n", argv[0]); return -1; } const char *model_path = argv[1]; const char *image_path = argv[2]; /* 参数初始化 */ detect_result_group_t detect_result_group; /* 算法模型初始化 */ rknn_context ctx; helmet_detect_init(&ctx, model_path); /* 算法运行 */ cv::Mat src; src = cv::imread(image_path, 1); struct timeval start; struct timeval end; float time_use=0; gettimeofday(&start,NULL); helmet_detect_run(ctx, src, &detect_result_group); gettimeofday(&end,NULL); time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒 printf("time_use is %f\n",time_use/1000); /* 算法结果在图像中画出并保存 */ // Draw Objects char text[256]; for (int i = 0; i < detect_result_group.count; i++) { detect_result_t* det_result = &(detect_result_group.results[i]); if( det_result->prop < 0.4) { continue; } sprintf(text, "%s %.1f%%", det_result->name, det_result->prop * 100); printf("%s @ (%d %d %d %d) %f\n", det_result->name, det_result->box.left, det_result->box.top, det_result->box.right, det_result->box.bottom, det_result->prop); int x1 = det_result->box.left; int y1 = det_result->box.top; int x2 = det_result->box.right; int y2 = det_result->box.bottom; /* rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3); putText(src, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0)); */ plot_one_box(src, x1, x2, y1, y2, text, i%10); } cv::imwrite("result.jpg", src); /* 算法模型空间释放 */ helmet_detect_release(ctx); return 0; }
)
