基于Resnet18网络的红外图像行人危险动作识别

对夜间行人危险动作进行有效识别是无人驾驶和智能辅助驾驶系统的一个核心任务,也是保证系统安全性的基本需求.考虑到夜晚的光学条件下摄像机的成像特性,提出一种基于深度卷积网络的红外行人危险动作识别算法对夜间行人动作进行识别.该算法选择残差网络为基本网络结构,首先从红外图像的特性和问题的规模出发确定采用Resnet18网络框架,然后对数据集进行预处理使之能够适应网络,最后对网络进行训练与测试以确定网络的识别性能.在实际红外行人危险动作数据集中进行实验的结果表明,所提出方法对6类危险动作识别的平均精确率达到98.3%,平均召回率达到98.1%,优于传统的识别方法.

基于注意力机制的矿工危险行为检测算法研究

为了有效地检测和识别煤矿井下工作人员的危险行为,防止安全事故的发生,针对煤炭井下背景复杂、尺度变化大等问题,提出了一种基于注意力机制和深度学习的矿工危险动作检测算法。在YOLOv3模型的基础上,设计一种特征提取能力更强、体积更小的轻量化特征提取网络;针对原始的YOLOv3算法在小目标的检测性能较差这一问题,提出了一种基于注意力机制的特征融合模块来优化小目标的漏检和误检问题。为了评估模型的性能,采集了10000张煤矿井下图片用于训练和测试,所提出的算法的mAP为83.1%,优于目前常用的目标检测算法;此外,算法测试速度为769 fps,是其他轻量化目标检测算法的6.6倍。试验结果证明,提出的危险行为检测算法可以应用到实际的生产环境中。