基于YOLOv8的安全帽检测系统：从零到一的工业安全监控解决方案

源码获取：https://mbd.pub/o/bread/YZWXmZdwZA==

摘要

本文详细介绍了一个基于YOLOv8深度学习框架的安全帽检测系统，该系统能够实时检测图片、视频和摄像头画面中的安全帽佩戴情况。系统采用Python语言开发，结合Tkinter图形界面和OpenCV图像处理库，实现了用户友好的交互体验。文章将从项目背景、技术选型、系统架构、核心代码解析、性能优化等多个维度进行全面剖析，为读者提供完整的技术实现方案。

1. 项目背景与意义

1.1 工业安全的重要性

在建筑工地、工厂车间、电力设施等高风险作业环境中，安全帽是保护工人头部安全的重要防护装备。据统计，超过60%的工业事故与头部受伤有关，而正确佩戴安全帽可以有效减少85%的头部伤害风险。然而，传统的人工监管方式存在效率低下、监管盲区等问题，亟需智能化的监控解决方案。

1.2 计算机视觉在安全监控中的应用

随着深度学习技术的发展，计算机视觉在工业安全监控领域展现出巨大潜力。基于目标检测算法的安全帽检测系统能够实现：

• 24小时不间断监控
• 实时预警和报警
• 数据统计和分析
• 降低人工监管成本

2. 技术选型与系统架构

2.1 核心技术框架

本项目采用YOLOv8作为核心检测算法，主要技术栈包括：

• 深度学习框架: Ultralytics YOLOv8
• 编程语言: Python 3.8+
• 图形界面: Tkinter
• 图像处理: OpenCV
• 模型格式: PyTorch (.pt)

2.2 系统架构设计

系统采用分层架构设计：

应用层 (Tkinter GUI)
    ↓
服务层 (检测逻辑、统计功能)
    ↓
核心层 (YOLOv8模型、OpenCV处理)
    ↓
数据层 (图片、视频、摄像头流)

3. 环境配置与依赖安装

3.1 环境要求

• Python 3.8+
• CUDA 11.7+ (GPU版本)
• 至少8GB RAM
• 推荐GPU: NVIDIA GTX 1060 6GB+

3.2 依赖安装

# 创建虚拟环境
python -m venv venv
venv\Scripts\activate

# 安装核心依赖
pip install ultralytics opencv-python pillow
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

4. 数据集准备与模型训练

4.1 数据集结构

项目使用YOLO格式的数据集，目录结构如下：

css-data/
├── train/
│   ├── images/
│   └── labels/
├── valid/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

4.2 数据集配置文件

safehat.yaml 配置文件定义了数据集路径和类别信息：

train: E:\ultralytics-main\css-data\train\images\
val: E:\ultralytics-main\css-data\valid\images\

nc: 2
names: ['No_SafetyHat', 'SafetyHat']

4.3 模型训练

使用以下命令训练YOLOv8模型：

yolo detect train data=safehat.yaml model=yolov8n.pt epochs=100 imgsz=640

5. 核心代码解析

5.1 主程序结构

Main.py 是整个系统的入口文件，主要包含以下功能模块：

5.1.1 导入依赖

import cv2
import tkinter as tk
from tkinter import filedialog, messagebox, ttk
from ultralytics import YOLO
import os
import time
from datetime import datetime

5.1.2 全局变量定义

# 全局变量
model = YOLO('best.pt')  # 加载预训练模型
is_running = False  # 检测状态标志
detection_results = []  # 检测结果存储
current_model_path = 'best.pt'  # 当前模型路径
start_time = None  # 计时开始时间

5.2 图片检测功能

图片检测是系统的核心功能之一，实现代码如下：

def detect_image():
    global is_running, detection_results, start_time
    image_path = filedialog.askopenfilename(filetypes=[("Image files", "*.jpg;*.jpeg;*.png")])
    if image_path:
        start_time = time.time()
        img = cv2.imread(image_path)
        if img is not None:
            # 显示检测状态
            status_label.config(text="检测中...")
            root.update()
            
            # 使用YOLO模型进行预测
            results = model.predict(source=img)
            detection_results = []
            
            # 处理检测结果
            for r in results:
                boxes = r.boxes
                for box in boxes:
                    cls = int(box.cls)
                    confidence = float(box.conf[0])
                    class_name = model.names[cls]
                    x1, y1, x2, y2 = box.xyxy[0]
                    
                    # 绘制检测框和标签
                    color = get_color_for_class(cls)
                    cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), color, 2)
                    cv2.putText(img, f"{class_name}: {confidence:.2f}", (int(x1), int(y1) - 10),
                                cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
                    
                    # 记录检测结果
                    detection_results.append({
                        'class': class_name,
                        'confidence': confidence,
                        'position': (int(x1), int(y1), int(x2), int(y2))
                    })
            
            # 更新统计信息
            update_statistics()
            
            # 显示检测结果窗口
            image_window = tk.Toplevel(root)
            image_window.title(f"图片检测结果 - {os.path.basename(image_path)}")
            image_window.geometry("800x600")
            
            # 使用PIL处理图像显示
            from PIL import Image, ImageTk
            img_pil = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
            
            # 调整图像大小以适应窗口
            img_pil.thumbnail((700, 500))
            img_tk = ImageTk.PhotoImage(img_pil)
            
            label = tk.Label(image_window, image=img_tk)
            label.image = img_tk
            label.pack(pady=10)
            
            # 添加保存按钮
            save_button = tk.Button(image_window, text="保存结果", 
                                  command=lambda: save_detection_result(img, image_path), 
                                  bg="#4CAF50", fg="white")
            save_button.pack(pady=5)
            
            # 显示检测时间
            detection_time = time.time() - start_time
            time_label = tk.Label(image_window, text=f"检测耗时: {detection_time:.2f}秒")
            time_label.pack()
            
            status_label.config(text="检测完成")
        else:
            messagebox.showerror("错误", f"无法读取图片：{image_path}")

5.3 视频检测功能

视频检测功能实现了逐帧处理和分析：

def detect_video():
    global is_running, detection_results, start_time
    video_path = filedialog.askopenfilename(filetypes=[("Video files", "*.mp4;*.avi;*.mkv;*.mov")])
    if video_path:
        start_time = time.time()
        cap = cv2.VideoCapture(video_path)
        is_running = True
        detection_results = []
        frame_count = 0
        
        status_label.config(text="视频检测中...")
        
        while cap.isOpened() and is_running:
            ret, frame = cap.read()
            if not ret:
                break
            
            frame_count += 1
            
            # 对每一帧进行检测
            results = model.predict(source=frame)
            frame_detections = []
            
            for r in results:
                boxes = r.boxes
                for box in boxes:
                    cls = int(box.cls)
                    confidence = float(box.conf[0])
                    class_name = model.names[cls]
                    x1, y1, x2, y2 = box.xyxy[0]
                    color = get_color_for_class(cls)
                    
                    # 绘制检测框
                    cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), color, 2)
                    cv2.putText(frame, f"{class_name}: {confidence:.2f}", (int(x1), int(y1) - 10),
                                cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
                    
                    frame_detections.append({
                        'class': class_name,
                        'confidence': confidence,
                        'position': (int(x1), int(y1), int(x2), int(y2))
                    })
            
            detection_results.append(frame_detections)
            
            # 缩放视频帧显示
            scale_percent = 70
            width = int(frame.shape[1] * scale_percent / 100)
            height = int(frame.shape[0] * scale_percent / 100)
            dim = (width, height)
            resized_frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA)

            cv2.imshow('Video Detection', resized_frame)
            key = cv2.waitKey(1)
            if key == 27:  # ESC键退出
                break

        cap.release()
        cv2.destroyAllWindows()
        
        # 更新统计信息
        update_statistics()
        status_label.config(text=f"视频检测完成，共处理{frame_count}帧")

5.4 摄像头实时检测

摄像头检测功能支持实时监控：

def start_camera_detection():
    global is_running, detection_results, start_time
    cap = cv2.VideoCapture(0)  # 打开默认摄像头
    is_running = True
    detection_results = []
    frame_count = 0
    start_time = time.time()
    
    status_label.config(text="摄像头实时检测中...")
    
    while cap.isOpened() and is_running:
        ret, frame = cap.read()
        if not ret:
            break
        
        frame_count += 1
        
        results = model.predict(source=frame)
        frame_detections = []
        
        for r in results:
            boxes = r.boxes
            for box in boxes:
                cls = int(box.cls)
                confidence = float(box.conf[0])
                class_name = model.names[cls]
                x1, y1, x2, y2 = box.xyxy[0]
                color = get_color_for_class(cls)
                
                cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), color, 2)
                cv2.putText(frame, f"{class_name}: {confidence:.2f}", (int(x1), int(y1) - 10),
                            cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
                
                frame_detections.append({
                    'class': class_name,
                    'confidence': confidence,
                    'position': (int(x1), int(y1), int(x2), int(y2))
                })
        
        detection_results.append(frame_detections)
        
        # 显示FPS
        current_time = time.time()
        fps = frame_count / (current_time - start_time)
        cv2.putText(frame, f"FPS: {fps:.1f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
        
        cv2.imshow('Camera Detection', frame)
        key = cv2.waitKey(1)
        if key == 27:  # ESC键退出
            break

    cap.release()
    cv2.destroyAllWindows()
    
    update_statistics()
    status_label.config(text=f"摄像头检测完成，共处理{frame_count}帧")

5.5 统计信息更新函数

这是系统的重要功能，负责统计和分析检测结果：

def update_statistics():
    """更新统计信息显示"""
    if detection_results:
        total_detections = 0
        class_counts = {}
        
        # 处理不同类型的检测结果
        for result in detection_results:
            if isinstance(result, list):  # 视频或摄像头检测的帧列表
                for detection in result:
                    if isinstance(detection, dict):  # 确保是检测结果字典
                        class_name = detection['class']
                        class_counts[class_name] = class_counts.get(class_name, 0) + 1
                        total_detections += 1
            elif isinstance(result, dict):  # 图片检测的单个检测结果
                class_name = result['class']
                class_counts[class_name] = class_counts.get(class_name, 0) + 1
                total_detections += 1
        
        stats_text = f"总检测数: {total_detections}\n"
        for class_name, count in class_counts.items():
            stats_text += f"{class_name}: {count}\n"
        
        stats_label.config(text=stats_text)

5.6 辅助功能函数

5.6.1 颜色映射函数

def get_color_for_class(cls):
    colors = [(255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0), (0, 255, 255), (255, 0, 255)]
    return colors[cls % len(colors)]

5.6.2 结果保存函数

def save_detection_result(image, original_path):
    """保存检测结果"""
    save_path = filedialog.asksaveasfilename(
        defaultextension=".jpg",
        filetypes=[("JPEG files", "*.jpg"), ("PNG files", "*.png")],
        initialfile=f"detected_{os.path.basename(original_path)}"
    )
    if save_path:
        cv2.imwrite(save_path, image)
        messagebox.showinfo("成功", f"检测结果已保存到: {save_path}")

5.6.3 模型加载函数

def load_model():
    """加载自定义模型"""
    global model, current_model_path
    model_path = filedialog.askopenfilename(
        filetypes=[("PyTorch模型", "*.pt"), ("所有文件", "*.*")],
        title="选择YOLO模型文件"
    )
    if model_path:
        try:
            model = YOLO(model_path)
            current_model_path = model_path
            status_label.config(text=f"已加载模型: {os.path.basename(model_path)}")
            messagebox.showinfo("成功", f"模型加载成功: {os.path.basename(model_path)}")
        except Exception as e:
            messagebox.showerror("错误", f"模型加载失败: {str(e)}")

6. 图形界面设计

6.1 主界面布局

系统采用Tkinter构建用户友好的图形界面：

# 创建主窗口
root = tk.Tk()
root.title('安全帽检测系统')
root.geometry("600x500")

# 创建主框架
main_frame = ttk.Frame(root, padding="20")
main_frame.pack(fill=tk.BOTH, expand=True)

# 标题
title_label = tk.Label(main_frame, text="安全帽检测系统", font=("Helvetica", 16, "bold"))
title_label.pack(pady=10)

# 模型信息
model_info = tk.Label(main_frame, text=f"当前模型: {os.path.basename(current_model_path)}", 
                     font=("Helvetica", 10))
model_info.pack(pady=5)

6.2 功能按钮设计

# 按钮框架
button_frame = ttk.Frame(main_frame)
button_frame.pack(pady=20)

# 检测功能按钮
image_button = tk.Button(button_frame, text="图片检测", command=detect_image, 
                        bg="#4CAF50", fg="white", font=("Helvetica", 12), width=15, height=2)
image_button.grid(row=0, column=0, padx=10, pady=10)

video_button = tk.Button(button_frame, text="视频检测", command=detect_video, 
                        bg="#2196F3", fg="white", font=("Helvetica", 12), width=15, height=2)
video_button.grid(row=0, column=1, padx=10, pady=10)

camera_button = tk.Button(button_frame, text="摄像头检测", command=start_camera_detection, 
                         bg="#FF9800", fg="white", font=("Helvetica", 12), width=15, height=2)
camera_button.grid(row=0, column=2, padx=10, pady=10)

6.3 统计信息显示

# 统计信息框架
stats_frame = ttk.LabelFrame(main_frame, text="统计信息", padding="10")
stats_frame.pack(fill=tk.X, pady=10)

stats_label = tk.Label(stats_frame, text="暂无检测数据", justify=tk.LEFT)
stats_label.pack()

# 状态栏
status_frame = ttk.Frame(main_frame)
status_frame.pack(fill=tk.X, pady=5)

status_label = tk.Label(status_frame, text="就绪", relief=tk.SUNKEN, anchor=tk.W)
status_label.pack(fill=tk.X)

7. 性能优化与调试

7.1 性能优化策略

1. 模型优化: 使用YOLOv8n轻量级模型
2. 图像缩放: 检测前适当缩放图像
3. 批量处理: 视频检测时优化帧处理
4. 内存管理: 及时释放不再使用的资源

7.2 调试技巧

1. 日志记录: 添加详细的运行日志
2. 性能监控: 实时显示FPS和检测时间
3. 错误处理: 完善的异常捕获机制
4. 用户反馈: 清晰的状态提示信息

8. 系统测试与验证

8.1 功能测试

测试用例包括：

• 图片检测准确性
• 视频流畅性
• 摄像头实时性
• 统计功能正确性

8.2 性能测试

测试环境：

• CPU: Intel i7-10700K
• GPU: NVIDIA RTX 3060 12GB
• RAM: 32GB DDR4

测试结果：

• 图片检测: ~55ms/张
• 视频检测: ~25FPS (640x480)
• 内存占用: <500MB

9. 应用场景与扩展

9.1 典型应用场景

1. 建筑工地安全监控
2. 工厂生产安全监管
3. 电力设施安全巡查
4. 教育培训演示

9.2 功能扩展方向

1. 多类别检测: 增加其他安全装备检测
2. 云端部署: 支持远程监控
3. 移动端应用: 开发手机APP
4. 数据分析: 生成统计报表

10. 总结与展望

10.1 技术总结

本项目成功实现了基于YOLOv8的安全帽检测系统，具有以下特点：

• 高精度检测: 准确识别安全帽佩戴情况
• 多模式支持: 图片、视频、摄像头全面覆盖
• 用户友好: 简洁直观的图形界面
• 易于扩展: 模块化设计便于功能扩展

10.2 未来展望

未来可以进一步优化：

• 集成更先进的YOLO版本
• 支持更多安全装备检测
• 开发Web端应用
• 实现智能预警系统