零、摘要
必要性：施工现场安全监控研究。提出对工人身份信息和安全帽检测的综合方法，检测安全帽的同时可以识别身份。
&esmp; 实现过程：采用方法YOLOv3。数据集来源于公共数据集SHWD和施工现场监控视频截取的3000张图像。（1）对YOLOv3采用预训练提高泛化能力，然后利用现场监控的图像进行性能测试。（2）身份识别采用Light CNN-29轻量卷积神经网络算法。通过提取人脸特征进行身份识别。过程：YOLOv3检测安全帽是否佩戴&&提取头部与安全帽特征–>图片输入light CNN人脸识别–>Haar级联分类器对人脸检测–>检测到的人脸输入Light特征提取–>识别身份信息。
仿真过程：现场截取3000张不同光照环境下的图像，对YOLOv3进行性能测试；公共数据库中对Light网络测试比较。
实验结论：YOLOv3精度高、速度快、召回率高、鲁棒性强。Light CNN-29的身份识别率为87.53%，可有效识别工人身份。
一、绪论
1、背景与研究意义
近几年随着建筑业的发展，安全事故与死亡人数逐年上升。
根据能量隔离理论，佩戴个人防护装备可以有效减少安全事故的死亡率。
计算机视觉能从视频或图像中识别出正在进行不安全行为的工人，但无法确定身份，无法提供直接的反馈。
本文拟采用基于计算机视觉和深度学习的方法构建建筑工人的安全帽检测与身份识别模型。
2、国内外研究现状
（1）安全帽佩戴检测研究现状与不足
（2）身份识别研究现状与不足
（3）基于深度学习的目标检测
略
二、深度学习目标检测理论
1、卷积神经网络（CNN）
2、基于深度学习的目标检测算法
3、基于深度学习的身份识别方法
（1）Light CNN
三、安全帽检测与身份识别模型
1、现场环境与视频特点
2、目标检测模型选择
YOLOV3的目标检测速度是优于其它算法，虽然mAP值略低 于其它模型，但是可以满足安全帽检测的需求，同时可以实现对现场实时监测。对 于身份识别算法，考虑到现场施工环境的影响，会对现场监控图像中会产生一定的 噪音的干扰且需要满足实时监测需求，且经过YOLOV3检测的图像检测的是人脸 与安全帽区域，此时的人脸特征相对于其它的身份识别特征会更加容易被提取，因 此本文采用轻量的Light CNN提取建筑工人的面部特征进行身份识别。
3、安全帽佩戴与身份识别系统
（1）系统设备介绍
（2）系统工作流程
这一章只有三页半，其中插图两张，叙述也不多，篇幅很少。不太好，同学们不要模仿这种写法，不然大概率无法过审。
四、实验结果与分析
1、实验环境
2、实验数据集建立
3、安全帽检测与身份识别检测研究流程
（1）准确率与召回率
提了一下，准确率（Precision）和召回率（Recall）的概念，但是好像没有仿真。
（2）鲁棒性
（3）识别速度
4、实验结果分析
5、安全帽检测性能试验
6、身份识别性能检测
总结
这篇论文篇幅较短，不像是一篇硕士论文的规格，总体来说，可学习的地方不多。