1.一种基于tiny‑YOLOv3的施工安全检测方法，其特征在于，所述基于tiny‑YOLOv3的施工安全检测方法包括以下步骤：第一步，利用视频监控摄像头采集工地中施工存在安全违规行为的人员图像的人员图像，对安全违规行为和无安全违规行为的人员图像所包含的人员标注，制作数据集；

第二步，使用数据集训练tiny‑YOLOv3网络模型；

第三步，获取施工工地图像，并将所获取图像同步传送至处理器进行处理；

第四步，利用训练好的tiny‑YOLOv3网络模型对获取的图像进行检测，将有安全违规行为的人员图片保存；

第五步，将有安全违规行为的人员图像通过APP推送告警信息；

所述第二步使用数据集训练tiny‑YOLOv3网络模型具体包括：(1)每一幅图像首先缩放到416×416；

(2)每一幅图像被划分为S*S个网络，对于每个网格预测B个边界框以及边界框的置信度；边界框的大小和位置可以用4个参数进行表示(x，y，w，h)，其中(x，y)为边界框的中心坐标，(w，h)为边界框的宽和高，边界框置信度confidence表达式如下：confidence＝Pr(Class|Object)×Pr(Object)×IOU；

式中：Pr(Class|Object)表示预测目标属于某类的后验概率，Pr(Object)表示是否有目标落入候选框对应的单元格中；若Pr(Object)＝0，表示没有；若Pr(Object)＝1，表示有目标落入候选框；IOU表示预测框和真实目标框计算交并比IOU；

在预测物体类别概率时，每个网络只预测一次；在得到各边界框的置信值后，进行非极大值抑制处理，去除置信度低于阈值的边界框，并取置信度高于阈值的边界框的并集作为预测结果；

(3)使用先验框来预测边界框坐标，利用k‑means算法预先得到9个先验框；聚类中心K为9，先验框的维度分别为(8，12)，(15，15)，(24，14)，(31，60)，(24，78)，(49，114)，(101，

90)，(151，180)和(332，311)；

所述进行非极大值抑制处理包括：首先从所有的检测框中找到置信值最大的框；然后计算这个框与其余框的重叠度，如果其值比设定阈值大，那么就将该框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；边界框中心坐标的误差项表示如下：λcoord为坐标预测误差且取较大值为5， 指的是第i个单元格存在目标，且该单元格中的第j个边界框负责预测该目标；(xi，yi，wi，hi)为预测框坐标值， 为真实框坐标；含有目标和不含目标的框置信度误差项分别表示如下：包含目标的单元格的分类误差项表示如下：

obj

其中，Pi 表示是否有目标落入第i个边界框，最终的损失函数表示为：Lyolo＝L1+L2+L3+L4。

2.如权利要求1所述的基于tiny‑YOLOv3的施工安全检测方法，其特征在于，所述第一步在采集图像时，通过调节视频采集装置的焦距以及调整视频采集装置和存在安全违规行为人员之间的角度，获取不同尺度以及不同角度下含有安全违规行为样本。

3.如权利要求1所述的基于tiny‑YOLOv3的施工安全检测方法，其特征在于，将样本图像送入Tiny‑YOLOv3网络进行训练，直至训练集数据输出的损失函数值小于设定的阈值或达到设置的最大迭代次数时，停止训练；将停止训练时所得到的网络作为训练好的网络。

4.一种执行权利要求1～3任意一项所述检测方法的基于tiny‑YOLOv3的施工安全检测系统，其特征在于，所述基于tiny‑YOLOv3的施工安全检测系统包括：行为数据集采集模块，用于利用视频监控摄像头采集工地中施工的人员安全违规行为，进行标注；

数据集训练模块，用于使用数据集训练tiny‑YOLOv3网络模型；

图像获取模块，用于将获取图像同步传送至处理器进行处理；

图像检测模块，用于利用训练好的tiny‑YOLOv3网络模型对获取的图像进行检测，将有安全违规行为的人员图片保存；

信息推送模块，用于将有安全违规行为的人员的告警信息推送。

5.一种实现权利要求1～3任意一项所述基于tiny‑YOLOv3的施工安全检测方法的信息数据处理终端。

6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1‑3任意一项所述的基于tiny‑YOLOv3的施工安全检测方法。