面向嵌入式平台的安全帽实时检测方法

摘要：

针对当前基于深度学习的安全帽检测方法因结构复杂和计算量大,难以在嵌入端实现实时检测的问题,提出一种适用于嵌入式平台的轻量化安全帽实时检测方法.该方法以Tiny-YOLOv3检测网络为基础,通过改进特征提取网络和多尺度预测优化网络结构,引入空间金字塔池化模块丰富特征图的多尺度信息,采用K-means聚类算法确定适合安全帽检测的锚框,引入CIoU边界框回归损失函数以提高检测精度.实验结果表明:在608×608的输入尺寸下,所提方法的平均准确率、召回率、F1值分别达到87.50％、84％、83％,较Tiny-YOLOv3检测方法分别提升了11.27、11和7个百分点;且在嵌入式平台NVIDIA Jetson Nano上实现了20.58 frame/s的实时检测速度,可满足在嵌入端实现安全帽实时检测的需求.该方法在光线不佳、小目标、密集目标等复杂施工环境下具有良好的适应性和泛化性.

关键词：安全帽检测、Tiny-YOLOv3、嵌入式平台、多尺度预测、空间金字塔池化

所属期刊栏目：58

分类号：TP319.4(计算技术、计算机技术)

资助基金：山东省重点研发计划项目2019GHY112081

在线出版日期：2022-05-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：161-167