瑞芯微(EASY EAI)RV1126B 安全帽检测
1. 安全帽检测简介
安全帽佩戴检测是施工现场和生产安全保障的重中之重，但人工、主观检测方法时效性较差，无法全程监控。 AI技术的日益成熟催生了头盔佩戴检测解决方案，成为监管头盔佩戴的有力工具。该头盔检测算法是一种基于深度学习的对人进行检测和定位的目标检测方法，可有效用于产品实现。
该安全帽检测算法在数据集上的表现如下：
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》 并按照其相关操作进行编译环境的部署。
在PC上的Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，如下图。
cd ~/develop_environment ./run.sh 
2.2 源码下载
创建EASY-EAI编译环境存放源码仓库的管理目录：
cd /optmkdir EASY-EAI-Toolkit cd EASY-EAI-Toolkit 使用git工具将远程仓库克隆到管理目录中
git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-1126B.git 
注：
* 由于网络原因，这里可能会有延迟，请耐心等待。
* 如果确实要从gitHub网页下载，还必须下载整个仓库。您无法单独下载该实例对应的目录。
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）。
同时需要将下载的人脸检测算法模型复制粘贴到Release/目录下：
2.4 例程编译
进入相应的例程目录进行编译操作。具体命令如下：
cd EASY-EAI-Toolkit-1126B/Demos/algorithm-helmet/./build.sh cpres注意：
* 由于板子上部署了依赖库，交叉编译过程中必须保持挂载/mnt。
* 如果build.sh脚本带有cpres参数，则Release/目录下的所有资源都会被复制到开发板中。
2.5 例程运行及效果
通过串口调试或者ssh调试，进入板子后台，找到例程部署的位置，如下图：
cd /userdata/Demo/algorithm-helmet/
运行例程命令如下：
sudo ./test-helmet_detect头盔_检测.model test.jpg 
测试图像：可以在EASY-EAI编译环境中检索
cp /mnt/userdata/Demo/algorithm-helmet/result.jpg 。
结果图如下：
API及API调用详细说明（本例程源码）。有关详细信息，请参阅下面的描述。
3. 安全帽检测API说明
3.1 引用方式
为了方便客户在本地项目中直接调用我们的EASY EAI api库，这里列出了项目中需要链接的库和头文件，以便用户直接添加。
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。
int hell_detect_init(rknn_context *ctx, const char * path) 详细介绍如下。
3.3 安全帽检测运行函数
头盔检测运行函数helmet_detect_run的原型如下。
3.4 安全帽检测释放函数
头盔检测释放功能原型如下。
int hell_detect_release(rknn_context ctx) 详细介绍如下。
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 #include #include #include'helmet_detect.h'using 命名空间cv;using 命名空间std;静态标量colorArray[10]={ 标量(255, 0, 0, 255), 标量(0, 255, 0, 255), 标量(0,0,139,255), 标量(0,100,0,255),标量(139,139,0,255)、标量(209,206,0,255)、标量(0,127,255,255)、标量(139,61,72,255)、标量(0,255,0,255)、标量(255,0,0,255),};int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char color){ int tl=round(0.002 * (src.rows + src.cols)/2) + 1;矩形（src，cv:Point（x1，y1），cv:Point（x2，y2），colorArray [（无符号字符）颜色]，3）； int tf=max(tl -1, 1); int 基线=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;矩形（src，cv:Point（x1，y1），cv:Point（x3，y3），colorArray [（无符号字符）颜色]，-1）； putText(src, 标签， 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 \n', argv[0]);返回-1； } const char *model_path=argv[1]; const char *image_path=argv[2];/* 参数初始化*/detect_result_group_t detector_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);头盔_Detect_run(ctx, src, detector_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);/* 算法结果绘制并保存在image *///Draw Objectschar text[256];for (int i=0; i detector_result_group.count; i++) {detect_result_t* det_result=(detect_result_group.results[i]);if( det_result-prop 0.4){继续；}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;/*矩形(src, cv:Point(x1, y1), cv:Point(x2, y2), cv:Scalar(255, 0, 0, 255), 3);putText(src, 文本， 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;}
