基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC

针对密集人群下口罩佩戴检测实时性差、难以部署到移动端的问题,提出基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC。该算法结合深度可分离卷积改进的SE注意力机制设计了一种轻量化特征提取模块,并结合BiFPN设计了一种加权特征融合模块。经实验验证,YOLOv7-DSC算法在口罩数据集上mAP为96.9%,与YOLOv7-tiny算法相比仅降低了0.5%;相比于YOLOv3-tiny、YOLOv4-tiny、YOLOv5s、MobileNetV3、ShuffleNetV2、GhostNet和Swin-Transformer算法在mAP上分别高出13.4%、11.2%、4.5%、5.7%、5.8%、4.2%和5.1%;在检测精度与YOLOv7-tiny算法相当的情况下,参数量和计算量分别减少了60%和55%,仅为2.4 M和6.0 G,极大地降低了硬件成本。

基于改进YOLOv7的手套佩戴检测算法

维修培训人员在进行培训时需要佩戴手套对飞机进行维修工作,若未佩戴手套进行操作,可能会出现安全问题。针对机务维修培训中,传统人工对培训人员是否佩戴手套的检测效率低下、容易漏检和误检,无法保障培训人员在培训过程中的安全问题,提出了基于改进YOLOv7的检测方法。在YOLOv7中引入SPDconv模块,提高模型针对小目标和低分辨率图片的检测性能。同时,在模型的Backbone中加入CBAM注意力机制,以提高模型的精度。改进后的YOLOv7手套佩戴检测算法平均精度均值达到86.5%,相较于原本的YOLOv7算法,精度提高了4.3%。实验表明,改进后的算法能有效地检测出维修培训人员的手套佩戴情况。

基于FE-YOLOv5s 的变电所安全帽佩戴检测

本研究针对变电所安全帽佩戴检测任务中存在的漏检、误检和低精准率等问题,提出了一种基于FE-YOLOv5s的改进算法。首先,通过引入FReLU激活函数构建了FSPPF模块,有效增强了网络的特征提取能力,从而提升了检测性能。其次,采用ECA注意力机制提高了模型对关键特征的关注度,特别集中在安全帽这一小尺度目标上提高检测的准确性,降低漏检误检的概率。实验结果表明,FE-YOLOv5s在自建数据集上取得了显著的提升,精准率达到0.941,mAP值为0.898,相较于原始模型分别提高了9.93%和4.6%,表现出较好的检测效果。这一改进算法为解决变电所安全帽佩戴检测问题提供了一种有效的解决方案。

FLM-YOLOv8:一种轻量级的口罩佩戴检测算法

针对现有的口罩佩戴检测模型无法较好平衡检测精度与速度,参数量较大,漏检和误检率高等问题,提出了一种轻量级的口罩佩戴检测算法FLM-YOLOv8。使用轻量级FasterNet替换YOLOv8n的主干特征提取网络,提升网络检测速度;融合FasterNet Block改进C2f模块,降低模型计算复杂度;提出SPPF-LSKA结构,增强模型的特征表达能力和感知能力,提高网络检测精度;设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。创建标注了一个复杂多元场景下的口罩佩戴数据集,并使用马赛克数据增强,以提高网络泛化能力。实验结果表明,该算法在正确佩戴口罩、未正确佩戴口罩和未佩戴口罩目标上的mAP@0.5达到了91.3%,FPS达到了143.6,实现了更加实时准确的口罩佩戴检测。

可见光与红外图像联合口罩佩戴检测研究

为缓解疫情期间口罩佩戴检测工作压力,降低检测环节运算负担,提出一种轻量化的可见光与红外图像联合口罩佩戴检测方法。首先,提出了一种基于可见光图像颜色通道选择的人脸检测算法,能够有效减弱光照亮度对检测的影响;然后,提出一种基于边缘结构相似度的可见光图像与红外图像匹配算法,在红外图像上搜索与可见光图像人脸匹配的人脸区域;最后,采用相关滤波检测器在红外图像上判断口罩佩戴情况。为测试方法性能,创建了可见光/红外图像口罩佩戴检测数据集。与5种可见光图像口罩检测算法的对比结果表明,提出的方法具有较高的准确率和召回率。

基于改进YOLOv7的口罩佩戴检测算法

针对YOLOv7模型在口罩佩戴检测任务中特征提取能力不足、模型感受野相对较小等问题,提出一种改进YOLOv7的口罩佩戴检测算法。首先,在YOLOv7模型的主干网络引入感受野模块(receptive field block,RFB),增大模型的感受野;其次,在YOLOv7模型的头部网络引入卷积块注意力模块(convolutional block attention module,CBAM),提取关键信息,忽略无关信息,增强特征图的信息表达能力,提高模型的检测能力。实验结果表明:改进后的YOLOv7口罩佩戴检测算法精确率达到95.7%,较原YOLOv7算法提高了5.6百分点;平均精度均值达到96.6%,提高了2.6百分点。相比于目前主流的口罩佩戴检测算法,改进后的YOLOv7口罩佩戴检测算法可以更加准确地检测出口罩佩戴情况。

基于轻量化YOLOv5s的安全帽佩戴检测算法

在各种高危行业,人员在施工中佩戴安全帽是很好的安全保护措施之一。为解决检测模型参数大无法在移动端和嵌入式设备部署等问题,提出YOLOv5-MN检测算法用于安全帽佩戴检测。首先,将GhostNet的轻量级模块Ghost引入YOLOv5的主干网络中进行优化,通过将输入特征图分为两个部分,分别进行不同程度的卷积操作,以减少计算复杂度。其次,采用新的特征融合网络结构BiFPN,将不同层级的特征图进行融合,以获取更丰富的语义信息。最后,增加ECA注意力机制,通过在特征图上引入通道注意力模块,动态地调整通道之间的重要程度,以提升模型的感知能力。实验结果表明,轻量化后的YOLOv5模型复杂度显著减小,推理速度大幅提高。

基于改进RetinaNet模型的口罩规范佩戴检测方法

新冠病毒在全球传播期间,规范佩戴口罩是最有效的防范方式。对公共场所中密集人群的口罩佩戴是否规范进行检测时,由于目标紧邻、遮挡以及含有大量的小目标,存在检测精度低、错检和漏检率高的问题。为了解决上述问题,文章提出一种基于改进RetinaNet模型的口罩规范佩戴检测方法。通过引入ECA-Net注意力模块,使得对口罩目标特征给予更多的关注,提高检测精度;其次,在特征金字塔FPN后引入自适应空间特征融合模块ASFF,来充分利用多尺度特征,进行更加充分的融合。使用该文所提出的方法在自制的口罩规范佩戴数据集进行实验,结果表明该文方法的整体性能优于其他的检测算法。

基于YOLOv8的电动车头盔佩戴检测方法

在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

改进YOLOv5适应安全帽佩戴与口罩佩戴检测应用的算法

为实现自然场景下对安全帽以及口罩佩戴更高效地检测,基于深度学习YOLOv5算法提出了一种改进的算法模型YOLOv5+。对于目标检测任务而言,通常是在较大的特征图上去检测小目标。考虑到所检测对象多为小尺度目标,因此当输入图像尺寸默认为640×640像素时,通过在原算法检测层中增加大小为160×160像素的特征图,并选用CIoU(Complete-IoU)作为损失函数,以实现对安全帽佩戴以及口罩佩戴更有效地检测。实验结果表明,在安全帽佩戴和口罩佩戴数据集上,YOLOv5+网络模型的平均检测精度(mAP-50)分别达到93.8%和92.3%,相比原算法均有所提高。此方法不仅满足了实时性检测的速度要求,同时提高了检测的精度。

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰,解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题,引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合,实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低,信息特征少,多尺度并存,导致在连续卷积过程中易丢失特征信息等问题,采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息,弱化安全帽检测时背景信息的干扰。仿真结果表明,基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS,是基础YOLOv4网络的16倍,检测精度提升了4.21%,检测速度与检测精度达到平衡。

基于YOLOv5s改进的口罩佩戴检测算法

由于新型冠状病毒肺炎的爆发,口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩,提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not,CA-A)提升网络的特征提取能力,解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数,作为回归损失函数,提升了边界框的定位精确度。实验表明,与原始模型算法相比,所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度,可以满足目标检测应用需求。

基于YOLOv5的疫情防控口罩佩戴检测系统设计与实现

面对当前疫情防控的实际需求,自动化检测可以减少管理人员与他人接触感染的风险且能使疫情防控管理更加高效。针对人脸佩戴口罩识别问题,利用深度学习的神经网络自动提取目标特征的优点,将获取的数据集通过LabelImg标注软件进行标注,使用YOLOv5目标检测算法训练网络模型,实现对佩戴口罩和未佩戴口罩的检测;通过PyQt5设计并实现了疫情防控口罩佩戴检测系统,提高了疫情防控效率。

基于改进YOLOv5的口罩佩戴检测算法

在公共场合密集人群场景下,由于目标遮挡导致的信息缺失及检测目标较小、分辨率低问题,使得人脸佩戴口罩检测算法的检测效果较差。为提高模型的检测精度和速度,减少硬件占用资源,提出一种基于改进YOLOv5s的口罩佩戴检测算法。将标准卷积和深度可分离卷积相结合替换传统卷积,并进行通道混洗的鬼影混洗卷积,以在保证精度的前提下提升网络速度。将最近邻法上采样替换为轻量级通用上采样算子,充分利用特征语义信息,在改进的YOLOv5s模型Neck层末端添加自适应空间特征融合,可以对不同尺度的特征进行更好的融合,提高网络检测精度,并通过自适应图片采样,缓解数据不均衡的问题,运用马赛克数据增强对小目标进行充分利用。实验结果表明,该算法在AIZOO数据集上的mAP值达到了93%,比YOLOv5原始模型提升了2个百分点,对于佩戴口罩的人脸检测精度达到了97.7%,优于同等情况下YOLO系列、SSD、RetinaFace的检测效果,同时在GPU上的运行推理速度提升了16.7个百分点,且模型权重文件的内存仅为23.5 MB,适用于实时口罩佩戴检测。

改进YOLOv5s算法的安全帽佩戴检测

佩戴安全帽是施工过程中人员安全的重要保障之一,但现有的人工检测不仅耗时耗力而且无法做到实时监测,针对这一现象,提出了一种基于深度学习的安全帽佩戴检测算法。该算法以YOLOv5s网络为基础。在网络的主干网中引入CoordAtt坐标注意力机制模块,考虑全局信息,使得网络分配给安全帽更多的注意力,以此提升对小目标的检测能力;针对原主干网对特征融合不充分的问题,将主干网中的残差块替换成Res2NetBlock结构中的残差块,以此提升YOLOv5s在细粒度上的融合能力。实验结果表明:在自制的安全帽数据集中验证可知,与原有的YOLOv5算法相比,平均精度提升了2.3个百分点,速度提升了18 FPS,与YOLOv3算法相比,平均精度提升了13.8个百分点,速度提升了95 FPS,实现了更准确的轻量高效实时的安全帽佩戴检测。

基于改进YOLOV5s的安全帽佩戴检测算法

针对现有安全帽佩戴检测中存在的检测精度较低等问题,提出一种基于改进YOLOV5s的安全帽佩戴检测算法。通过结合SimAM注意力,增强安全帽特征的显著性;引入Bi-FPN网络并增加小目标检测层,提高对小目标安全帽的检测精度;采用DIOU-NMS算法提高遮挡目标的检测精度。实验结果证明,改进后的YOLOV5s算法mAP达到97.3%,比原始的YOLOV5s算法提高了4.5%,满足现实场景下安全帽佩戴检测任务的要求。

基于改进YOLOv4的安全帽佩戴检测方法

针对建筑施工场地场景下远距离小目标安全帽佩戴检测问题,提出的一种改进YOLOv4的安全帽检测方法。将BN层和卷积层合并减少修改后的网络前向推理计算量,利用K-means聚类算法改进先验框维度,采用柔性NMS算法进行置信度权重修改解决标签重写问题,应用多尺度特征融合提升模型识别准确率。实验结果表明,该方法在安全帽数据集的检测任务中mAP提升2.91%;对低于32*32尺寸目标AP值相较于原算法提升6.02%,能够有效提升安全帽佩戴检测范围和准确率。

基于STA-YOLOv5的水利建造人员安全帽佩戴检测算法

在大型水利建造工程现场,存在高空坠物、塔吊转动、墙体坍塌等问题,对于建造人员人身安全造成巨大威胁,佩戴安全帽是保护建造人员的有效措施,作为工程作业中的安全管理,对建造人员进行安全帽佩戴的精确检测很有必要。针对现有安全帽检测算法在大型水利建造场景下对小且密集的安全帽目标存在漏检、检测精度较低等问题,提出一种基于STA-YOLOv5的安全帽佩戴检测算法,该算法将Swin Transformer和注意力机制引入到YOLOv5算法中,提高模型对安全帽的识别能力。实验结果表明,STA-YOLOv5算法具有更精确检测结果,识别准确率达到91.6%,较原有的YOLOv5算法有明显提升。

基于改进YOLOv5的电动车头盔佩戴检测算法

在电动车交通事故中,颅脑损伤致死是电动车骑行人员死亡的主要原因,而大多数电动车骑行人员很少佩戴头盔,因此通过将目标检测算法与道路摄像头结合来监管电动车骑行者头盔佩戴情况具有很强的现实意义。针对目前电动车头盔佩戴检测存在着目标相互遮挡漏检率较高、较小目标漏检率较高的问题,文中提出了一种改进的YOLOv5目标检测算法,用于实现对电动车头盔佩戴情况的检测。该方法首先在YOLOv5网络中添加通道注意力机制ECA-Net,使得模型能够更快地检测到目标特征,从而提高模型的检测性能;其次,使用Bi-FPN加权双向特征金字塔模块,实现对不同层级特征重要性的平衡,有利于改进小目标漏检问题;最后,使用Alpha-CIoU Loss的损失函数,提高模型定位的准确性。实验结果表明,该方法在3种场景下对电动车骑行人员头盔佩戴情况的检测精度均高于其他模型,平均精度达到95.8%,相比原网络检测精度有所提升,实现了电动车头盔佩戴情况的高精度检测。

多尺度通道注意力机制的口罩佩戴检测算法

为解决密集人群场景下口罩佩戴检测出现的关联特征信息利用率不足导致边界框定位不精准的问题,提出一种基于多尺度通道注意力机制的YOLO-Mask改进算法。利用通道注意力机制重构YOLOv3特征提取网络,促使网络对关联目标区域具有更高的关注度;采用K-means++聚类算法对数据集进行聚类优化,提高检测准确率;对损失函数进行优化。在PASCAL VOC和RFMD(real-world masked face dataset)数据集上的实验结果表明,YOLO-Mask算法与其它算法相比,具有更好的检测效果,平均精度分别为81.3%、85.3%,相比原始YOLOv3算法分别提高了3.0%和3.8%。