文档名：复杂作业环境下安全帽实时检测算法研究
摘要：为解决建筑工地安全帽背景复杂时检测精度不高、安全帽目标太小不易检测等问题,以YOLOv5框架为基础,提出了一种复杂作业环境下安全帽实时检测算法.首先,在网络中添加坐标注意力机制模块,以抑制无效背景对目标的干扰并提高网络对目标特征的提取能力;其次,在特征融合层引入自适应空间特征融合模块,使网络能自动学习不同特征层的权重,从而增强特征融合能力;最后,采用缩放交并比损失替代完整交并比损失作为边界框损失函数,以解决预测框在回归时的随意匹配问题,进一步提高模型的检测精度并加速收敛速度.结果表明,相较于原始YOLOv5模型,改进后的网络精度提升了2.6百分点,平均精度均值提高了2.3百分点,达到了95.6％,有效提高了复杂环境下安全帽的检测能力.
Abstract：Tosolveproblemssuchaslowdetectionaccuracywhenthesafetyhelmetbackgroundiscomplexandthesafetyhelmettargetistoosmalltobedetected,thispaperproposesareal-timedetectionalgorithmforsafetyhelmetsincomplexworkingenvironmentsbasedontheYOLOv5framework.Inthispaper,anewhardhatdatasetisgeneratedformodeltrainingbyselectingapublicdatasetthatconformstotheconstructionsceneandcombiningimagesshotattheconstructionsiteandphotoscrawledfromthenetwork.Intermsofthenetworkmodel,thecoordinateattentionmechanismmoduleisaddedaftereachC3moduleintheYOLOv5backbonenetworktomakethenetworkpaymoreattentiontothespecificlocationofthetargetarea,improvethebackbonenetwork'sabilitytoextracttargetfeatureinformationandpreventtheinterferenceofinvalidbackgroundonthetarget.Theadaptivespatialfeaturefusionmoduleisintroducedinthefeaturefusionlayersothatthenetworkmayautomaticallylearntheweightsofmultiplefeaturelayers,enhancingfeaturefusionabilityandfurtherimprovingdetectionaccuracy.Finally,theCIoUlossfunctionisreplacedbySIoUtosolvetherandommatchingproblemofthepredictionboxduringregression,improvethemodel'sdetectionaccuracy,andacceleratetheconvergencespeed.Theexperimentalresultsshowthatthemodifiedalgorithmoutperformsotherstandardalgorithmsindetectionaccuracyanddetectionspeed.ComparedwithFasterR-CNNandSSD,theaverageprecisionmeanisimprovedby16.09％and13.59％,respectively.Theimprovednetwork'saccuracyisimprovedby2.3％,andtheaverageprecisionmeanisimprovedby2.1％,reaching95.6％whencomparedwiththeoriginalYOLOv5.Theimprovednetworkpaysmoreattentiontothecharacteristicinformationofthesafetyhelmetinthedetectionofthesafetyhelmet,effectivelyimprovesthedetectionabilityofthesafetyhelmetincomplexenvironments,andprovidesamorereliablesolutionforsafetymanagementincomplexscenessuchasconstructionsites.Thisstudyisexpectedtoplayasignificantroleinthepracticalapplicationtoimprovesafetyandefficiencyintheconstructionprocess.
作者：胡启军 潘学鹏 余洋 刘瑞 潘莉 Author：HUQijun PANXuepeng YUYang LIURui PANLi
作者单位：西南石油大学计算机科学学院,成都610500;西南石油大学土木工程与测绘学院,成都610500西南石油大学计算机科学学院,成都610500
刊名：安全与环境学报 ISTICPKU
Journal：JournalofSafetyandEnvironment
年，卷(期)：2024, 24(5)
分类号：X924
关键词：安全工程 安全帽识别 YOLOv5 坐标注意力 特征融合 损失函数
Keywords：safetyengineering helmetdetection YOLOv5 coordinateattention featurefusion lossfunction
机标分类号：TP391.41TN911.73TP183
在线出版日期：2024年6月12日
基金项目：国家自然科学基金，四川省天府万人计划天府科技菁英项目，四川省青年科技创新研究团队项目，西南石油大学自然科学启航计划项目复杂作业环境下安全帽实时检测算法研究[
期刊论文] 安全与环境学报--2024, 24(5)胡启军 潘学鹏 余洋 刘瑞 潘莉为解决建筑工地安全帽背景复杂时检测精度不高、安全帽目标太小不易检测等问题,以YOLOv5框架为基础,提出了一种复杂作业环境下安全帽实时检测算法.首先,在网络中添加坐标注意力机制模块,以抑制无效背景对目标的干扰并提高...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
复杂作业环境下安全帽实时检测算法研究 Research on real-time detection algorithm of construction workers'hard hats in complex operating environments
复杂作业环境下安全帽实时检测算法研究.pdf
- 文件大小:
- 6.17 MB
- 下载次数:
- 60
-
高速下载
|
