文档名：基于YOLOv5的倒地检测
摘要：为提高传统目标检测的识别效果和准确率,并加快运算速度,提出了一种具有更强大特征学习和特征表达能力的卷积神经网络(CNN:ConvolutionalNeuralNetwork)模型和相关的深度学习训练算法,并将其应用于计算机视觉领域的大规模识别任务.首先详细分析了传统目标检测算法,如V-J(Viola-Jones)检测器、HOG(HistogramofOrientedGradients)特征结合SVM(SupportVectorMachine)分类器和DPM(DeformablePartsModel)检测器的特点.然后提出了深度学习算法,如RCNN(Region-basedConvolutionalNeuralNetworks)算法和YOLO(YouOnlyLookOnce)算法,并分析了其在目标检测任务中的应用现状.针对倒地检测任务,使用YOLOv5(YouOnlyLookOnceversion5)模型对不同身高体型目标人群的行为进行训练.通过使用不同的交并比(IOU:IntersectionoverUnion)、准确率(Precision,P)、召回率(Recall,R)和PR曲线等评估指标,对YOLOv5模型进行了分析,评估了其在检测站立和倒地两种活动方式的实际效果.同时通过预训练和增强处理,增加了训练样本数量并提高了网络的识别准确率.实验结果表明,倒地识别率达到了86％.可将其应用于灾区探测救援类机器人的设计中,以辅助识别和分类受伤倒地人员,提高灾区救援效率.
Abstract：Inordertoimprovetherecognitionperformanceandaccuracyoftraditionalobjectdetectionandtoacceleratethecomputationspeed,aCNN(ConvolutionalNeuralNetwork)modelwithmorepowerfulfeaturelearningandrepresentationcapabilitiesandwithrelateddeeplearningtrainingalgorithmsisadoptedandappliedtolarge-scalerecognitiontasksinthefieldofcomputervision.Thecharacteristicsoftraditionalobjectdetectionalgorithms,suchastheV-J(Viola-Jones)detector,HOG(HistogramofOrientedGradients)featurescombinedwithSVM(SupportVectorMachine)classifier,andDPM(DeformablePartsModel)detectorareanalyzed.Subsequently,thedeeplearningalgorithmsthatemergedafter2013,suchastheRCNN(Region-basedConvolutionalNeuralNetworks)algorithmandYOLO(YouOnlyLookOnce)algorithmareintroduced,andtheirapplicationstatusinobjectdetectiontasksisanalyzed.Todetectfallenindividuals,theYOLOv5(YouOnlyLookOnceversion5)modelisusedtotrainthebehaviorofindividualswithdifferentheightsandbodytypes.ByusingevaluationmetricssuchasIoU(IntersectionoverUnion),Precision,Recall,andPRcurves,theYOLOv5modelisanalyzedandevaluatedforitsperformanceindetectingbothstandingandfallenactivities.Inaddition,bypre-traininganddataaugmentation,thenumberoftrainingsamplesisincreased,andtherecognitionaccuracyofthenetworkisimproved.Theexperimentalresultsshowthattherecognitionrateoffallenindividualsreaches86％.Theachievementsofthisstudywillbeappliedtothedesignofdisasterdetectionandrescuerobots,assistingintheidentificationandclassificationofinjuredindividualswhohavefallen,andimprovingtheefficiencyofdisasterarearescue.
作者：何乐华 谢光珍 刘柯翔 吴宁 张浩澜 张忠睿Author：HELehua XIEGuangzhen LIUKexiang WUNing ZHANGHaolan ZHANGZhongrui
作者单位：吉林大学通信工程学院,长春130012
刊名：吉林大学学报（信息科学版） ISTIC
Journal：JournalofJilinUniversity(InformationScienceEdition)
年，卷(期)：2024, 42(2)
分类号：TP241
关键词：目标检测 卷积神经网络 YOLO模型 计算机视觉 深度学习
Keywords：targetdetection convolutionalneuralnetwork youonlylookoncemodel computervision deeplearning
机标分类号：TP391.41TP274TN722.75
在线出版日期：2024年5月27日
基金项目：国家自然科学基金基于YOLOv5的倒地检测[
期刊论文] 吉林大学学报（信息科学版）--2024, 42(2)何乐华 谢光珍 刘柯翔 吴宁 张浩澜 张忠睿为提高传统目标检测的识别效果和准确率,并加快运算速度,提出了一种具有更强大特征学习和特征表达能力的卷积神经网络(CNN:ConvolutionalNeuralNetwork)模型和相关的深度学习训练算法,并将其应用于计算机视觉领域的大...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于YOLOv5的倒地检测 Fall Detection Based on YOLOv5
基于YOLOv5的倒地检测.pdf
- 文件大小:
- 3.13 MB
- 下载次数:
- 60
-
高速下载
|
