基于改进YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进YOLOv5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度（mAP）达到96.0%,而对佩戴安全帽的工人的平均精度（AP）达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于YOLOv5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。     

基于改进YOLO v4的安全帽佩戴检测算法

安全生产管理是建筑、重工业等高危企业发展的重要方针,安全帽在施工生产环境中对人员头部防护起着关键作用,因此加强安全帽佩戴监管十分必要.近年来,基于图像视觉的安全帽佩戴监测方法成为了企业实施管理的主要手段,如何提高安全帽佩戴检测精度和检测速度是应用的关键难题.针对上述问题,文中提出了一种基于改进YOLO v4的安全帽佩戴检测算法.首先,在YOLO v4算法的3个特征图输出的基础上增加了 128×128特征图输出,从而将特征图输出的8倍下采样改为4倍下采样,为后续特征融合提供了更多小目标特征.其次,基于密集连接的思想对特征融合模块进行改进以实现特征重用,使得负责小目标检测的Yolo Head分类器可以结合不同层次特征层的特征,从而得到更好的目标检测分类结果.最后,对比实验的结果表明,所提方法的平均精度高达91.17％,相比原网络检测精度提高了 2.96％,检测速度基本不变,可达52.9 frame/s,从而在满足实时检测需求的同时可以得到更优的检测精度,有效实现了安全帽佩戴的高速高精度检测.     

改进YOLOv3的安全帽佩戴检测方法

在生产和作业场地中，工人由于不佩戴安全帽而引发的安全事故时有发生。为了降低由于未佩戴安全帽而引发的安全事故发生率，提出了一种基于改进YOLO v3算法的安全帽佩戴检测方法。通过采用图像金字塔结构获取不同尺度的特征图，用于位置和类别预测；使用施工现场出入口监控视频作为数据集进行目标框维度聚类，确定目标框参数；在训练迭代过程中改变输入图像的尺寸，增加模型对尺度的适应性。理论分析和实验结果表明，在安全帽佩戴检测任务中，mAP（Mean Average Precision）达到了92.13%，检测速率提高到62?f/s，其检测准确率与检测速率相较于YOLO v3均略有提高，所提算法不仅满足安全帽佩戴检测中检测任务的实时性，同时具有较高的检测准确率。     

基于巡逻无人机的轻量型安全帽佩戴检测方法与应用

目前,安全帽检测系统主要使用固定摄像头,无法实现全区域检测,而基于深度学习的检测算法结构复杂、计算成本高,无法满足移动端和嵌入式设备的部署要求。针对上述问题,该文提出一种基于无人机的安全帽轻量型视觉检测算法。系统通过无人机平台搭载的相机对施工现场进行图像采集,并无线传输至后台计算机进行处理,检测算法基于 YOLOv5s 框架进行了轻量化改进。针对无人机采集影像中目标占比较小的问题,该文采用了多尺度检测、图像预处理、正负样本不均衡等方法,对 YOLOv5s 目标检测算法进行针对性改进。测试结果表明,与原模型相比,轻量型目标检测模型的平均精度均值仅下降了 1.72%,但在同一 CPU 上的推理速度提升了 1 倍,浮点计算量由原来的每秒 165 亿次压缩至每秒 34 亿次,模型大小约为原模型的 1/10。     

深度学习在安全帽佩戴检测中的应用研究综述

在深度学习的推动下,目标检测方法在工业安防领域取得了很大的进展,安全帽佩戴检测任务逐渐成为智能图像识别领域的一项重要研究课题。为了综合分析深度学习技术在安全帽佩戴检测任务中的研究现状,方便后续科研人员开展研究性工作。对近年来国内外学者在深度学习环境下的安全帽佩戴检测算法总结归纳,对比分析这些方法的优点和局限性。分别从数据集的建立和用途、安全帽佩戴检测主要检测算法归纳、当前安全帽佩戴检测领域的难点这三个方面进行分析。对安全帽佩戴检测领域未来的研究方向进行展望,并提出该领域今后研究重点。     

FPN-CenterNet安全帽佩戴检测算法

安全帽作为施工场所工人的安全保障,佩戴与否影响着工人的生命安全。在佩戴检测方面引入深度学习可以高效地提醒工人佩戴安全帽。但由于施工图像中安全帽的图像过小,CenterNet表现得并不好。因此针对这个情况,提出了FPN-CenterNet框架;使用ACNet非对称卷积核来对主干网络的特征提取进行增强;使用DIoU损失函数来优化边框预测的准确度。最终修改的算法相较于原始的CenterNet算法mAP提升了4.99个百分点,在GTX GeForce 1050的GPU上的FPS达到25.81。实验结果表明修改之后的算法在安全帽佩戴检测上有良好的准确性和效率。     

基于YOLOv4的安全帽佩戴检测及工种身份识别

在施工现场中, 安全帽能够减轻对头部的伤害, 且不同颜色的安全帽代表不同的身份, 基于当前施工现场通过视频监控来对工人安全帽的佩戴以及工种身份识别存在一定的耗时性, 不完全性, 监督效率低等问题, 本文提出了一种基于YOLOv4改进的安全帽佩戴检测以及身份识别的方法, 在原始的YOLOv4的基础之上, 使用K-means算法对先验框的大小重新进行聚类分析处理, 增加多尺度预测输出, 实现DIoU NMS进行非极大值抑制, 从而使工人安全帽佩戴及身份识别达到高效性, 全面性. 结果表明, 佩戴红、蓝、黄、白安全帽和未佩戴安全帽工人平均检测准确率达到92.1%, 从而保证能够实现对施工现场工人安全帽的佩戴达到一种实时监控.     

针对轻量化网络的安全帽检测方法

变电站内电气设备数量众多,在工人进行现场作业时需要对工人佩戴安全帽进行监测。由于机器学习的安全帽佩戴检测方法常常出现漏检和误检的情况,为提高对安全帽佩戴识别的准确率,同时加快识别速度,提出了一种基于YOLOv5s的轻量化卷积神经网络模型。通过引入RepVGG模块对网络主干进行轻量化,在网络后处理阶段通过Soft-NMS降低遮挡目标漏检率,以Mixup数据增强来扩充数据集,建立样本之间的线性关系,提升训练模型泛化性能,最后进行消融实验。实验结果表明,改进的模型的均值平均精度(mAP)达到80.4%,推理速度达到了83.3 f/s,为变电站安全帽佩戴检测提供了有效参考。     

面向轻量化网络的安全帽检测算法

随着深度学习的发展,神经网络模型的体积越来越大,伴随而来的是参数量与计算量的增多,但实际安全帽检测环境下需要把网络模型部署在算力有限的移动端或嵌入式设备中,而这些设备无法支持复杂的计算量。针对这个问题,提出了一种适合部署在移动设备的轻量级目标检测网络HourGlass-YOLO（HG-YOLO）。以YOLOv5为基础模型,基于Inverted Resblock结构重构了新的主干特征提取网络HourGlass;并使用通道剪枝技术,对BatchNormalization（BN）层进行稀疏训练,将权值较小的通道进行删减,在保证精度的情况下,减少模型的参数;融合卷积层和BN层来加快在CPU上的推理速度。实验结果表明HG-YOLO在保证精度的情况下,将YOLOv5模型的体积压缩87%、浮点数减少86%、参数量降低89%,相比SSD在检测速度上快了8.2倍,更适合实际工业场景中的部署。     

基于YOLO的安全帽检测方法

安全帽作为作业工人最基本的个体防护装备,对作业人员的生命安全具有重要意义.但是部分作业人员安全意识缺乏,不佩戴安全帽行为时常发生.本文聚焦于复杂场景下对工作人员是否佩戴安全帽的实时检测.YOLO （You Only Look Once）是当前最为先进的实时目标检测算法,在检测精度和速度上都取得了良好的效果,将YOLO应用于安全帽检测.针对未佩戴安全帽单类检测问题,修改分类器,将输出修改为18维度的张量.基于YOLOv3在ImageNet上的预训练模型,对实际场景下采集到的2010张样本进行标注并训练,根据损失函数和IOU曲线对模型进行优化调参,最终得到最优的安全帽检测模型.实验结果表明,在2000张图片测试集上取得了98.7%的准确率,在无GPU环境下平均检测速度达到了35 fps,满足实时性的检测要求,验证了基于YOLOv3安全帽检测方法的有效性.     

深度学习中的安全帽检测算法应用研究综述

安全帽是施工现场最常见和实用的个人防护工具,能够有效防止和减轻意外带来的头部伤害。安全帽检测是施工现场人员安全管理的主要工作,也是施工现场智能化监控技术的重要内容,随着深度学习的发展,现已成为智慧工地建设的重要部分。为了综合分析深度学习在安全帽检测中的研究现状,针对安全帽检测算法研究,归纳了常用的安全帽检测算法和基于深度学习的安全帽检测算法,具体说明了其优缺点。在此基础上,针对现有问题,系统地总结分析了安全帽检测算法的相关改进方法,并梳理了各类方法的特点、优势和局限性。最后展望了基于深度学习的安全帽检测算法的未来发展方向。     

改进SSD的安全帽检测方法

施工人员佩戴安全帽是安全生产的重要一环,为保障工人生命安全,同时克服传统人工巡检费时费力的缺点,提出了一种基于Single Shot MultiBox Detector(SSD)改进的安全帽检测新方法.针对安全帽数据集内目标尺度偏小,尺度分布不均衡,对SSD模型结构进行改进,添加用以特征融合的分支网络,增强浅层特征图语...     

基于改进YOLOX-s的安全帽检测

在施工现场中, 发生过许多高空坠落事故, 因此在施工现场佩戴安全帽是十分有必要的. 针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况, 提出一种基于YOLOX-s的改进算法. 首先, 在Neck层引入主干特征提取网络中的160×160特征层进行特征融合, 并且增加了一个针对小目标的检测头; 其次, 采用SIoU损失函数计算损失值, 使得网络在训练过程中考虑的损失项更加全面; 并且采用varifocal loss函数来计算置信度损失值, 进一步改善训练过程中存在的正样本与困难样本不均衡的问题, 最后, 采用CA (coordinate attention)注意力机制来增强模型的特征表达能力. 实验结果表明, 通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制, 使得网络在训练过程中收敛与回归性能更佳. 改进后的算法的mAP值为95.57%, 相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%. 改进后的算法检测速度为54.73帧/s, 符合实时检测速度要求.