基于YOLOX-L算法的安全帽佩戴检测方法

摘要：

安全帽作为生产和作业场地工人的最基本的个体防护装备,能够极大地保证工作人员的安全防护,在实际生产环境下由于多种因素造成的伤亡中,没有佩戴安全帽造成伤亡事故的占比一直很高.为了减少相应的事故发生率,提出一种基于YOLOX-L算法的安全帽佩戴检测方法.YOLOX系列模型是当前最为先进的实时的无锚的单阶段检测器之一,在多种类别目标的检测下都具有优异的准确率和速度效果.通过使用YOLOX-L模型骨干层提取多尺度的特征图,用于回归目标位置和预测类别;使用安全帽佩戴检测数据集(SHWD),使用冻结非冻结的训练方式训练YOLOX-L网络,最后选取最好的训练模型检测安全帽的类别和位置.实验结果表明,在SHWD数据集检测任务中,相比较于YOLOv3算法,基于YOLOX-L的mAP提高了5.41％,查全率分别提高了18.51％和26.44％.所提方法在满足高准确率和实时性要求的基础上,更少发生漏检,具有更高的查全率.

关键词：深度学习、卷积神经网络、目标检测、安全帽佩戴检测、YOLOX-L算法

所属期刊栏目：32

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金;中央高校基本科研业务费资助项目

在线出版日期：2022-09-22（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：100-106