10.16208/j.issn1000-7024.2023.08.018
改进YOLOv4的安全帽佩戴检测方法
由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检.为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4 的安全帽检测网络SR_YOLO.采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块组成特征增强模块,改进网络结构,分别提高对网络感受野信息的获取能力和对Neck网络的特征提取能力.利用Kmeans++算法对安全帽数据进行anchor尺寸优化,提高算法的检测准确率.实验结果表明,SR_YOLO的mAP为 84.05%,较YOLOv4 提高 1.45%,每秒检测帧率为 30 fps,能够实现安全帽佩戴情况的快速准确检测.
安全帽佩戴检测、YOLOv4、空间金字塔池化层、特征增强模块、Res2 Net、scSE注意力机制、Kmeans++
44
TP391.41;TP183(计算技术、计算机技术)
四川省科技厅基金项目;四川省科技厅基金项目;人工智能四川省重点实验室基金项目;企业信息化与物联网测控技术四川省高校重点实验室基金项目;企业信息化与物联网测控技术四川省高校重点实验室基金项目;企业信息化与物联网测控技术四川省高校重点实验室基金项目;大学生创新创业训练计划基金项目
2023-09-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
2374-2381