基于改进YOLOv5算法的现场不安全行为识别方法研究

摘要：

在一些工厂的生产车间现场中,工人需要驾驶升降车作业,在驾驶升降车时存在着不安全行为,比如没有佩戴安全帽等.因此需要对升降车人员不安全行为进行识别.一般的算法在识别工人驾驶升降车作业时佩戴安全帽这种复杂背景的场景时容易漏检,误报.基于此,提出一种基于YOLOv5改进的目标检测算法.此算法用于对工厂的车间现场不安全行为进行检测.在YOLOv5改进的算法中增加了 CBAM注意力机制,通过结合通道和空间的注意力机制模块,以增强算法对小目标的检测精度和对特征的提取能力.然后将原有的特征金字塔网络结构替换为加权特征金字塔网络结构(BIFPAN),实现高效的双向跨尺度连接和加权特征融合.通过自制的安全帽数据集实验结果显示,改进后的算法均值平均精度(mAP)达到了 92.4％,检测精度和召回率分别提高了 2.7％和 1.9％.

关键词：YOLOv5、工厂、检测、加权特征融合

分类号：TH211.+6;TP391.41(起重机械与运输机械)

在线出版日期：2023-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：5-8