面向小目标的多空间层次安全帽检测

由于目标视频中存在目标小、距离远等影响检测效果的因素,对小目标的捕捉难度较大,提出一种面向小目标的多空间层次安全帽佩戴检测算法,该算法将在Yolov5s的网络模型基础上进行个性化改进。设计一种多空间注意力模块,从不同角度考虑空间特征的效果并加以融合,加强显著性特征的空间位置关系;融合多空间尺度的特征,同时结合特征提取过程中的多种特征,适应对不同空间层次目标的捕捉,提高对小目标的检测能力;利用数据增强提高数据集的泛用性,使训练目标适应更多样的情景;优化损失函数,增强回归能力,提高训练效果。实验结果表明,所提算法的平均准确率达到91.5%,明显地减少了漏检情况。除此之外,将其部署到实际施工现场,展现了出对小目标优越的检测性能,具有极大的应用价值。

基于改进YOLOv5s的安全帽检测算法

针对现有安全帽检测算法难以检测小目标、密集目标等缺点,提出一种基于YOLOv5s的安全帽检测改进算法。采用DenseBlock模块来代替主干网络中的切片结构,提升网络的特征提取能力;在网络颈部检测层加入SE-Net通道注意力模块,引导模型更加关注小目标信息的通道特征,以提升对小目标的检测性能;对数据增强方式进行改进,丰富小尺度样本数据集;增加一个检测层以便能更好地学习密集目标的多级特征,从而提高模型应对复杂密集场景的能力。此外,构建一个面向密集目标及远距离小目标的安全帽检测数据集。实验结果表明:所提改进算法比原始YOLOv5s算法平均精确率(mAP@0.5)提升6.57%,比最新的YOLOX-L及PP-YOLOv2算法平均精确率分别提升1.05%与1.21%,在密集场景及小目标场景下具有较强的泛化能力。

基于YOLOv5的安全帽佩戴实时检测方法研究

安全帽作为施工现场工人必不可少的头部防护,佩戴安全帽对工人生命有着重要的意义。然而,由于缺乏安全意识,工人往往没有佩戴。随着深度学习技术的不断发展,具有很高精度和速度的YOLO系列算法已经被应用于各种场景检测任务中。为了建立数字化安全帽监控系统,本文提出了基于YOLOv5用于检测安全帽佩戴的方法,通过数据增强的样本扩充方法,使用基本图像并配合数据增强对数据集进行优化处理,自建一个特征丰富的安全帽佩戴数据集,从而使模型能够精确识别安全帽佩戴情况并达到实时检测的目的。实验结果表明,YOLOv5的平均检测速度达到60 f/s,达到实时检测的条件;mAP值达到98.5%,证明了基于YOLOv5的安全帽检测的有效性。

一种智能头盔检测系统设计

近年来,电动摩托车事故数量攀升,未佩戴头盔成为造成驾乘人员受伤或死亡的主要原因。为了促进市民能够树立安全骑行佩戴头盔的意识,本文研究并设计了基于YOLOv5目标检测的头盔智能检测系统。该系统分为头盔目标检测端和后台管理端。头盔目标检测端首先通过定点路况数据采集获得头盔佩戴数据集,然后使用预处理后的数据集训练YOLOv5算法模型,最后训练模型用于检测道路骑行者头盔佩戴情况。后台管理端实现了视频的回放和违规数据的处理与查看。该系统基于人工智能目标检测技术,解决了交管部门对非机动车进行监管时耗时、耗力、漏检的问题,具有重要的现实意义与实用价值。

YOLOv4算法在安全帽目标检测技术中的应用

目标检测技术广泛应用于各个领域,其目的是通过对输入图像中的物体和场景进行信息的特征提取,从而识别图中感兴趣的目标。为了减少作业人员在建筑工地作业时因未佩戴安全帽造成的人员伤亡事故,文章提出了一种基于深度学习的建筑工地安全帽目标智能检测方法,检测建筑工地人员安全帽佩戴情况,提高行业安全生产效率。本研究通过安全帽数据集进行先验框设计,采用k-means算法获得本数据集的先验框维度;将用于训练的图片进行拼接实现了数据集的增强;用CIOU代替回归损失增加预测精度,基于YOLOv4的基础网络进行特征提取,获得不同尺度的特征层,将获得的特征层经过深层次特征金字塔进行特征融合,再输入分类回归层进行回归预测。

基于CA-YOLO的安全帽佩戴检测

针对安全帽佩戴检测精度低等问题,提出一种基于YOLOv5的安全帽佩戴检测模型CA-YOLO.在YOLOv5骨干网络中引入坐标注意力机制,使模型可以注意到更多特征信息以提升检测精度,在训练过程中,提出一种基于正样本匹配与指数移动平均的PSM-EMA优化策略,并结合负样本训练降低模型误检率.在Helmet Detection和SHWD数据集上的实验结果表明,CA-YOLO的均值平均精度(x mAP)分别达到90.67%和91.02%,对佩戴安全帽工人的平均精度(y AP)达到94.53%和94.84%,相较于YOLOv5,该算法的均值平均精度分别提升2.42%和1.39%,CA-YOLO的平均精度均优于YOLOv5和其他对比模型,能实现不同复杂场景下对安全帽佩戴的准确检测.

基于虚拟现实技术的心理健康状况测评系统

传统测评系统难以构建出虚拟的测试环境,导致心理健康状况测评效果较差,因此设计基于虚拟现实技术的心理健康状况测评系统。该系统利用传感器、数据手套、头盔显示器等硬件设备采集测评人员心理健康数据;利用图像模块、交互控制等模块结合VC++和OpenGL构建虚拟现实心理健康评测环境,以提高测评有效性。使用层次分析法构建测评模型,完成心理健康状况测评。实验结果表明:该系统生态效度接近100%,且测评人员的空间存在感、参与感百分比均超过95%,虚拟现实模拟效果较好。

基于摄影测量法的头盔运动姿态测量技术

针对头盔瞄准具精度鉴定系统设计要求,需要精确测量头盔瞄准具活动范围、最大视场角以及相对瞄准线的方位、俯仰、滚转偏差等参数。本文利用加装在座舱内的两个摄像机,获取到两个不同视角的头盔运动影像。采用角锥体法、空间后方交会算法以及基于外方位元素分解的姿态解算算法,推导出了头盔姿态解算的数学模型,实现基于单视角影像的头盔运动姿态测量;进一步对两组不同视角的头盔运动姿态数据进行融合处理,最终获得一组头盔运动姿态数据的最优解。

头盔式LCoS视频数据处理系统的研究与设计

系统地分析了头盔式LCoS场序彩色显示系统对视频数据格式、传输速率、系统功耗等的具体要求,设计了一款单片RAM的头盔式LCoS视频数据处理系统。采用RGB32的数据传输格式,充分利用了ZBTSRAM高速数据读、写切换的特点,在系统主时钟保持在13.5MHz的情况下,实现了单路数据的传输速率达40.5Mbit/s,远远超过了系统23.13Mbti/s的数据传输要求。采用该结构的数据处理系统,使系统功耗降低了0.6W,面积减小了近40cm2。设计的头盔微型显示系统样机,实现了640×480VGA分辩率、子场刷新频率为150Hz的场序彩色显示功能。

某型飞机头盔瞄准具数值滤波器研究

某型头盔瞄准具为了滤除混在有用信号中的干扰信号 ,采用了软件数值滤波。本文用 Visual C++6.0和 C语言编制程序 ,在计算机上进行系统仿真 ,目的是对此种滤波器的原理、滤波系数和动态误差补偿系数的选取进行分析。采用的分析方法和所得到结论 。

基于数据融合的座舱头部姿态跟踪方法研究

针对视觉式头部姿态跟踪数据带有时变噪声的问题,设计了一种基于数据融合的座舱头部姿态跟踪方法。其根据空间点与图像点的对应关系,先利用正交迭代算法求解PNP问题,然后应用Sage-Husa自适应滤波代替EKF解决时变噪声的问题,最后使用线性加权的航迹融合算法对Outside-in跟踪和Inside-out跟踪输出的头部姿态进行数据融合来获取精度更加稳定的头部姿态。利用经验数据做了一系列的仿真,结果显示该系统的跟踪精度有很大提高并且稳定可靠。

基于微惯性器件的头部运动综合测量方法研究

针对运动平台上头部姿态测量问题,提出一种可以获得更快测量速度、更高测量精度的综合测量方法。通过卡尔曼滤波将分别由视觉测量和微惯性测量得到的头部姿态数据进行数据融合。利用视觉测量对微惯性测量进行校正,综合了视觉测量方法误差不随时间变化与微惯性测量方法测量速度快、测量范围大的优点,抑制了惯性测量随时间累积产生的无约束发散误差,克服了视觉测量方法范围受限、容易受到干扰的缺点,并经过试验分析与仿真,得到了验证。

基于深度学习的非机动车头盔佩戴检测方法研究

近年来,由于电动车驾驶人未佩戴头盔行车导致的交通事故频频发生,造成了较大的人身伤害与损失,调查显示事故多在交通路口发生,为此,有必要开展交通路口电动车驾驶人头盔佩戴行为的监测与管控。本文利用机器视觉传感器收集大量电动车及驾驶人目标数据,制作相应的数据集,将处理后的数据集在Pytorch框架上利用改进的Yolov5神经网络进行训练,获得最优权重参数;实验对比发现,改进后的Yolov5算法对于电动车和头盔的检测精度分别达到了92%和98%,比原始神经网络的识别准确度可提高1%至2%。最终联合使用训练改进的Yolov5模型和Sort算法,在检测电动车佩戴头盔情况的同时,对其进行跟踪标号,以此实现对交通路口违规电动车驾驶行为的有效管控。

YOLO-S:一种新型轻量的安全帽佩戴检测模型

针对现有施工场所下工人安全帽佩戴检测模型推理耗时长、对硬件要求高,且复杂多变环境下的训练数据集单一、数量少导致模型鲁棒性较差等问题,提出了一种轻量化的安全帽佩戴检测模型YOLO-S.首先,针对数据集类别不平衡问题,设计混合场景数据增强方法,使类别均衡化,提高模型在复杂施工环境下的鲁棒性;将原始YOLOv5s主干网络更改为MobileNetV2,降低了网络计算复杂度.其次,对模型进行压缩,通过在BN层引入缩放因子进行稀疏化训练,判定各通道重要性,对冗余通道剪枝,进一步减少模型推理计算量,提高模型检测速度.最后,通过知识蒸馏辅助模型进行微调得到YOLO-S.实验结果表明,YOLO-S的召回率及mAP较YOLOv5s分别提高1.9%、1.4%,模型参数量压缩为YOLOv5s的1/3,模型体积压缩为YOLOv5s的1/4, FLOPs为YOLOv5s的1/3,推理速度快于其他模型,可移植性较高.

头盔瞄准具/头盔显示器产品的数字化质量控制

简述了头盔瞄准具/头盔显示器产品装配调试生产环节现状,提出了数字化质量控制措施,对产品数据,包括校正数据和验收履历数据的在线提交和管理提出了具体改进措施。这些措施在保证产品数据得到有效管理的同时,还提高了灰盔瞄准具/头盔显示器产品质量控制能力。

交建领域智能安全帽应用标准化探索

交通建设领域从施工现场到后台治管模式正在发生深刻变化,数字化、网络化和智能化正在发挥重要作用。围绕基于智能安全帽的单兵智能的实现途径和方法进行分析,并从能力、适用场景、应用流程、智能化分析四个方面对智能安全帽应用标准化的推进方向和技术路线进行探索。智能安全帽的应用标准化是有效提升工程管理效率和安全性、减少事故发生、保护一线施工人员的重要方向。

头盔瞄准器数据采集系统硬件设计

电磁头盔瞄准器是近年来发展起来并已得到实际应用的新型火控瞄准装置，头盔姿态传感是头盔瞄准技术的关键。文中论述电磁头盔姿态传感系统的组成结构及其设计，其重点包括总体结构设计、关键环节设计以及重要参数的选取与确定。此外，还给出了设计的系统框图和实现方案。理论分析和实验结果均表明，该设计系统具有良好的精度和稳定性。

北斗卫星导航系统在一体化智能安全头盔中的应用

随着自动化仪器越来越普及,工程现场应用的智能化安全头盔,已经为国内外用户所重视.为加快一体化智能安全头盔的商业化生产步伐,本文作者设计了一套基于北斗卫星导航系统(BDS)一体化智能安全头盔的操作人员工作环境监测与安全评估系统.通过获取一氧化碳(CO)浓度、温度、湿度等所处环境的实际情况,实现操作人员工作状况的目标定位和监测数据传输,实现控制台对操作人员工作环境实时安全评估、轨迹追踪及灾害预警功能.

智能头盔抗电磁干扰性能的非线性建模研究

为了提高智能头盔抗电磁干扰性能预测精度,提出一种智能头盔抗电磁干扰性能的非线性建模方法。首先分析智能头盔抗电磁干扰性能建模的现状,指出各种方法存在的弊端,然后采集智能头盔抗电磁干扰数据,引入数据挖掘技术智能头盔抗电磁干扰数据进行建模与挖掘,建立的智能头盔抗电磁干扰非线性预测模型,最后通过智能头盔抗电磁干扰预测仿真实验验证其性能,测试结果表明,本文方法可以准确描述智能头盔抗电磁干扰变化趋势,智能头盔抗电磁干扰预测精度超过95%,智能头盔抗电磁干扰预测误差远远小于其它方法,获得更加理想的智能头盔抗电磁干扰建模结果。

智能头盔抗电磁干扰性能的非线性建模研究

为了提高智能头盔抗电磁干扰性能预测准确度,提出一种智能头盔抗电磁干扰性能的非线性建模方法。首先分析智能头盔抗电磁干扰性能建模的现状,指出各种方法存在的弊端;然后采集智能头盔抗电磁干扰数据,引入数据挖掘技术对智能头盔抗电磁干扰数据进行建模与挖掘,并建立智能头盔抗电磁干扰非线性预测模型;最后通过智能头盔抗电磁干扰预测仿真实验验证其性能。测试结果表明,所提方法可以准确描述智能头盔抗电磁干扰变化趋势,其抗电磁干扰预测准确度超过95%,预测误差远远小于其他方法,从而获得更加理想的智能头盔抗电磁干扰建模结果。