游泳是一项受欢迎的运动,但存在的安全隐患不容忽视,传统的人工监视泳池的方式不仅耗费人力,而且容易出现疏漏,造成生命与财产损失。近年来计算机视觉技术发展迅速,在多个领域取得了卓越成效。计算机视觉技术在泳池安全检测方面的应用,可以取代传统的人工监视方式,为游泳者提供安全保障。在采用计算机视觉技术检测泳池安全方面,虽然国内外已经关注和研究了很多年,但是早期受到相关技术水平的限制,多采用传统的背景减除法。这种方法只适用于简单场景,且在泳池场景中检测速度慢,识别率低,检测效果差,因此并未取得实质性成果。针对以上问题和挑战,本文设计了基于深度学习的泳池溺水检测系统,主要工作如下:(1)调研了常见泳池的基本信息,对泳池场景溺水检测难点进行分析。针对泳池场景的背景动态性、水面反光性、游泳者形态多样性与物体多样性等难点,采用了一种基于深度学习的目标检测方法,通过训练大量样本,弱化了干扰项,并训练出鲁棒性较高的分类器模型。(2)设计了一套适用于常见泳池的溺水检测系统,系统包括信息采集模块,目标检测算法模块以及可视化界面模块等。信息采集模块,在泳池上方安装了4个高清摄像头,采用多线程技术进行信息同步传输;目标检测模块采用Mask R-CNN算法,训练出的高鲁棒性分类器模型能够检测游泳、水中站立、溺水以及岸边站立等行为;可视化界面模块采用了Qt Designer与PyQt进行绘制和实现,界面交互便捷,利于观察泳池中游泳者行为状态。(3)进行了对比实验,对Mask R-CNN算法进行了不同迭代次数下分类器模型的整体性能mAP(mean Average Precision)对比,发现迭代次数越高,分类器模型性能越好。最终优化的Mask R-CNN分类器模型选用迭代次数较高。使用上述最优的分类器模型在4个泳池中进行了目标检测实验,通过计算评估得出结论,本系统的检测速度为5fps,检出率为91.2%,误检率为7.5%,满足系统检测的预期要求。