基于改进YOLOv5s的外脚手架隐患图像识别技术

为提高外脚手架安全管理的质量和效率,基于图像识别技术提出一种改进YOLOv5s的外脚手架隐患识别方法。首先,为解决背景信息过多造成的识别精度下降问题,在主干网络嵌入设计卷积注意模块(CBAM),获取隐患的各种细节特征;其次,改进原算法颈部特征融合模块为加权双向特征金字塔网络(BiFPN)结构,有效处理外脚手架隐患目标尺寸分布不均衡造成的多尺度特征不平衡问题;然后,使用边界框损失函数斯库拉交并比(SIoU)Loss替换原损失函数;最后,通过消融试验分析改进模块对模型性能的影响,并与其他算法进行对比分析,验证隐患识别效果。结果表明:改进后的网络实现均值平均精度(mAP@05:095)评分提升513%,召回率提升345%,对多尺度、多目标及复杂背景下的外脚手架隐患具有良好的识别效果。