基于改进YOLOv5s的电力作业人员安全帽检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。

不同车速多前导车对跟驰行驶特性的影响

单车道跟驰是驾驶员的主要跟驰行为之一,掌握微观跟驰行为特性对于深入认识宏观交通流特征、改善交通拥堵具有重要的理论意义和应用价值。已有研究发现,除相邻前导车外,下游多辆前导车的行驶状态亦对驾驶员跟驰行为产生影响。然而,目前尚无对下游前导车辆影响跟驰行为的空间范围的定量研究。以美国NGSIM数据为研究对象,定量化研究下游多前导车行驶速度对跟驰车辆运行特性的影响,同时分析了不同速度区间下,前导车对跟驰车产生影响的空间范围及变化趋势。利用Pearson相关系数计算下游车辆速度与跟驰车辆交通参数间的相关系数,进而分析其相关强度,评价其影响程度,为构建考虑下游多车影响的跟驰模型提供理论依据。