基于改进Faster R-CNN的头盔检测算法研究
为加强建筑、矿井、石油开采等行业现场工作人员是否按规定佩戴安全帽的监督,降低施工现场的安全隐患,提出一种基于改进Faster R-CNN的安全帽检测算法,用于检测进入施工场所的工人安全帽的佩戴情况.针对Faster R-CNN算法在小目标上检测精度低下问题,采用主要样本注意力机制(PISA)方法对样本按权值重新进行排序,优化样本不均衡问题;用可变形卷积模块(DCN)代替模型中普通卷积层,进一步改善识别精度.实验过程中还应用了 Ablu数据增强方法提升网络的泛化性.结合施工现场实地采集的数据集,验证了算法的有效性.实验结果表明,改进之后的检测模型在目标检测上的平均精度均值较原Faster R-CNN算法提升了 3.9%,召回率提高了 0.8%,F1-score提高了 2.1.
深度学习、小目标检测、头盔检测、Faster R-CNN
41
TP183(自动化基础理论)
2022-09-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
86-92