基于YOLOv5和少样本学习的高空作业安全带检测

针对电厂高空作业人员安全带佩戴检测问题,现有研究大多利用深度检测模型直接检测,不仅需要大量样本训练模型,而且由于高空作业背景杂乱、人员目标小,导致不易检测等。为此,提出一种基于目标检测和少样本细粒度分类的两阶段检测方法:首先利用YOLOv5检测视频图像中的高空作业人员,再用少样本细粒度分类方法识别其是否佩戴安全带。针对佩戴和不佩戴安全带人员的细微差别,设计了一种基于局部描述符的少样本度量学习模型,在公用数据集预训练模型基础上,利用少量训练样本对模型微调,用于安全带佩戴识别。实验结果表明,在支持集图像数为60时,识别精度达到了97.86%。所提方法可实现少样本情况下对高空作业人员安全带佩戴情况的精确检测。

基于旋转框的轻量高效安全带检测算法研究

交通安全监控图像中的汽车驾驶员安全带检测,可以协助交通管理部门规范驾驶员的驾驶行为。针对汽车驾驶员安全带检测中目标尺寸较小、特征对齐难度较大、检测速度较慢等问题,在Mobilenet V2轻量化主干网络的基础上,引入Oriented RCNN旋转框目标检测算法,提出注意力特征融合模块(Attention Feature Fusion Module,AFFM),从而构建了一种轻量高效的端到端旋转框安全带检测算法。该算法的平均精度(AP)达到0.905,查全率(Recall)达到0.949,参数量(Params)仅需要18.54 MB,端到端的检测推理速度(FPS)达到每秒14.6张图片。实验结果表明,该算法有效提高了监控图像中汽车驾驶员安全带检测性能,在实际应用中具备一定的竞争力。

驾驶员安全带检测方法研究综述

驾驶员安全带检测作为计算机视觉的一个具体应用领域,目前基于计算机视觉相关技术的驾驶员安全带检测方法以节约人力、实时监督、高精度等优势逐渐成为研究热点。对近年来驾驶员安全带检测方法进行了系统性的分析和总结,对驾驶员安全带检测背景和传统传感器检测方法进行了简要说明;介绍了数字图像处理和机器学习的相关方法,分析总结其优缺点;重点分析和总结了深度学习的方法,从模型训练常用方法、卷积神经网络和衍生的目标检测算法的发展历程及其在驾驶员安全带检测中的应用三个方面进行介绍;对当前研究仍面临的问题以及进一步的研究方向进行了总结和展望。

深度学习在驾驶员安全带检测中的应用

安全带是保障驾驶员安全最有效的措施之一,我国法律明文规定驾驶员驾驶车辆时必须佩带安全带。目前,驾驶过程中安全带佩带的识别以人工筛查为主。随着汽车数量的飞速增加,传统的检测方式已无法满足交通管理的需求,实现安全带检测的自动化处理已成为当前交通系统亟需解决的问题之一。文中设计了一种驾驶人是否佩带安全带的识别系统。首先,通过车牌与车窗位置之间的几何关系进行车窗粗定位;其次,利用霍夫变换检测车窗的上下沿,并利用积分投影变换检测车窗的左右边界,将检测到的图片对半划分,得到驾驶员的粗略位置;最后,基于加入空间变换层的深度卷积神经元网络方法进行安全带的识别分析。针对10000张不同卡口、不同时段实时采集的图片进行实验,结果表明该方法能有效地识别驾驶人是否按规定佩带安全带,且综合识别率相比现有方法有显著提高。

基于Adaboost的安全带检测系统

安全带检测是智能交通系统中的一个重要研究课题。介绍了一个在公路复杂背景下,基于Adaboost的安全带检测算法。该算法的主要思想是,首先通过Adaboost算法检测车窗、驾驶员和安全带3个部件,对各部件进行粗定位,然后使用车辆各部件位置关系和各部件检测的得分训练一个高斯混合模型,最后通过高斯混合模型对安全带区域进行精细定位。该方法在收集的动态摄像头数据库和静态摄像头数据库上均表现良好。

基于最大局部变化的安全带检测算法

传统的边缘检测算法的效果很大程度上取决于阈值的选取,针对这个问题,提出了基于局部最大变化和二维OTSU的边缘检测方法,该方法利用图像局部区域的所有像素灰度值与中心像素灰度值的最大差值来描述图像边缘分布信息,从而得到图像边缘分布信息图,然后利用二维OTSU方法对该边缘分布信息图进行二值化处理得到边缘二值图。利用该边缘二值图,结合车辆的一些先验信息,提出车窗定位算法,并进一步确定驾驶员区域,最后通过在驾驶员区域内检测是否存在满足安全带先验特征的直线来判断驾驶员是否佩戴安全带。实验结果表明,该方法能够准确定位车窗边缘和驾驶员区域,可以应用于安全带的检测,具有一定的实用价值。

结合YOLO检测和语义分割的驾驶员安全带检测

为了通过交通监控自动检测驾驶员是否佩戴安全带,提出一种结合目标检测与语义分割的驾驶员安全带检测算法.首先通过设计轻量化目标检测算法完成驾驶员区域快速定位;然后利用经过剪枝加速的语义分割模型对驾驶员区域进行分割,得出安全带连通域;最后通过判断安全带连通域面积检测驾驶员是否佩戴安全带.在驾驶员区域定位和安全带检测2个数据集上进行训练和测试,实验结果表明,驾驶员区域定位算法在精准度为99.96%时速度为73帧/s,安全带检测算法在准确率为94.87%时速度为305帧/s;该算法在兼顾速度的同时具有较好的精准度.

基于YOLO和极限学习机的驾驶员安全带检测模型研究

针对现有的驾驶员安全带检测算法存在的定位精度差、实时性低的问题,提出一种基于YOLO和极限学习机相结合的驾驶员安全带检测模型.利用YOLO网络快速定位主驾驶区域,提取主驾驶区域特征,传递给极限学习机,训练成一个安全带检测分类器.实验结果表明,与传统的安全带检测算法相比,该方法在驾驶员安全带检测中准确率更高,检测速度大大提升.

深度学习的汽车驾驶员安全带检测

自智能交通系统出现以来,汽车驾乘员的安全带检测一直是备受关注的研究课题.依据城市道路的交通卡口监控数据,研究一种基于深度学习的汽车驾乘人员安全带检测算法,能够准确识别驾驶员是否佩戴安全带.通过对卡口图片进行人工标定,并运用深度学习方法训练两个检测器和一个分类器,最终实现安全带的快速定位和分类.本文提出的方法在城市道路卡口采集的图像上检测效果较好.

一种基于新型Unet-Canny网络的安全带检测方法

针对机动车行驶中驾驶员是否正确系戴安全带的检测问题,提出一种融合目标检测和语义分割的新型Unet-Canny网络的安全带检测方法。该方法需要用SSD网络定位驾驶员位置,将所采集信息输入Unet-Canny网络后对安全带图像进行分割。新型Unet-Canny网络是在Unet网络上添加Res-Canny模块后得到的。结合Canny算子和残差结构搭建的Res-Canny模块能够让网络在训练中增强对安全带边缘特征信息的提取能力,从而提高图像的分割效果。利用数据集对Unet-Canny网络的训练实验表明:新型Unet-Canny网络比FCN、PSPNet、SegNet、Unet等网络的检测效果好;使用所提出方法检测安全带的精确率比用Unet网络提升了3.4个百分点。

车辆前排乘员安全带检测算法研究

为了快速检测车辆前排乘员是否系安全带,提出了一种改进YOLOv4-tiny网络及MobileNeXt网络的安全带检测算法。针对车辆及前排挡风玻璃的形状和大小,设计了一个结合深度可分离卷积、检测头可重构的轻量化YOLOv4-tiny目标检测框架,通过设置不同数量检测头的两个网络分别用于车辆和挡风玻璃检测。在MobileNeXt网络中,通过在沙漏残差模块中添加SAM空间注意力模块实现安全带检测。在车辆数据集、挡风玻璃数据集、安全带数据集上进行训练和测试,实验结果表明,车辆检测网络在平均精度(mean Average-Precision,mAP)为99.69%时速度为145帧/秒,挡风玻璃检测网络在平均精度为99.88%时速度为163帧/秒,安全带检测网络在准确率(Accuracy,ACC)为93.13%时速度为77帧/秒。本文算法在兼顾速度的同时具有较高的检测精度。

基于深度学习的安全带检测系统

安全带检测是智能交通系统中的一个重要研究课题。本文提出了一种在复杂道路环境下,基于深度学习的安全带检测算法。首先从带标签的车辆区域、车窗区域以及安全带区域提取特征,通过深度学习算法训练检测器;然后,检测车辆、车窗及安全带3个部件的位置,根据各部件的相对位置关系以及检测得分训练一个支持向量机(SVM)分类模型,最后通过该分类模型对安全带区域进行精细定位与识别。该方法在道路监控摄像头采集的数据库上表现良好。

基于EPSA-YOLOv5电力高空作业安全带佩戴检测

电力工作人员在高空作业中,安全带佩戴仍存在漏检和检测速度较慢等现象,利用EPSA-YOLOv5算法,给出了一种新的电力高空作业安全带佩戴检测方法。该方法基于EPSANet的主干抽取网络,在保持良好特征抽取性能的前提下,减少了网络中的参数,加快了模型的辨识速度。通过对空间金字塔池化结构的改进,提高了模型的检测精度,在此基础上,提出了一种基于Soft-NMS的改进算法,以减少对目标的检测。实验结果表明:基于EPSA-YOLOv5网络模型的高空作业安全带检测精度和检测速度等方面均比原YOLOv5模型提高了2.34%,具有实用性和高效性。

基于图像增强与深度学习的安全带目标检测

为通过交通视频自动化检测驾驶员是否佩戴安全带,设计一种基于YOLO v3和Faster R-CNN的安全带单类别目标检测方法。基于YOLO v3网络训练车窗检测模型与车窗-驾驶员检测模型,得到驾驶员的精确位置;利用直方图均衡化、高斯滤波等方法对驾驶员图片进行图像增强操作,提高安全带区域的对比度;基于Faster R-CNN网络设计安全带单类别目标检测模型,将传统的分类问题转变为单类别目标检测问题。实验结果表明,模型检测准确率可达96.0%。相对于其它方法,适应性更强,鲁棒性更高,准确率相应提高。

基于YOLOv5的高空作业下安全带佩戴检测

佩戴安全带是保障高空作业人员安全的重要措施之一,但现有的人工检测法无法对高空场景下安全带的佩戴情况进行实时有效的检测。针对这一现象,文章提出了一种基于高空作业场景的安全带佩戴检测算法,引入YOLOv5目标检测算法,在满足实时检测要求的前提下,提高安全带佩戴检测的精度;采用K-Means++算法对自制数据集进行重新聚类,从而得到匹配自制数据集的锚框;引入CBAM注意力机制,参考全局信息并重新分配权重,以提升算法对安全带佩戴情况的检测能力。实验结果表明,改进后的安全带佩戴检测算法的平均精度由70.9%提升至76.1%,帧率提高至69FPS。

基于红外标记视觉的安全带佩戴规范性检测

针对安全带佩戴规范性仍未引起充分重视的现实问题,借助具有红外敏感表面涂层标记的三点式安全带,基于标记视觉和图像处理技术提出一种安全带佩戴规范性的集成检测方法:利用增强现实技术快速识别定位安全带标记,在此基础上分别设计数量阈值算法、模糊聚类阈值算法、曲线拟合松弛度算法和肩部外轮廓交点定位算法,用以进行安全带是否佩戴和佩戴形式、松紧程度、高低位置是否规范等4种判断,从而实现安全带是否规范佩戴的检测目标。实验结果表明,在各种成像条件和图像背景干扰下,对应上述4种判断的识别准确率分别为95.4%,93.1%,79.5%和85.3%,而安全带佩戴规范性的综合识别准确率达89.5%,验证了所提出算法的准确性、有效性和适应能力。

基于单片机的客车安全带智能检测系统

随着人们出行越来越便利,越来越多的人选择乘坐客车出行,然而很多人在客车行驶过程中会选择解开安全带,忽略了解开安全带之后,司机没有发现这些情况,客车仍然在高速运行过程中所带来的巨大安全隐患。然而"客车安全带智能检测系统"可以及时的让司机了解乘客系安全带的情况,可以让司机根据乘客系安全带的情况进行有效的减速并提醒乘客系上安全带。本系统还具备自动统计客车上的乘客人数;当客车出站时,在所有乘客都系上安全带的情况下,车站门口的闸道会自动通过信号识别客车上乘客系安全带的情况,并自动控制闸道开与关,控制客车通行;"客车安全带智能检测系统"还有自动录入客车司机信息等功能。

基于剪枝YOLOv3算法的高处作业人员安全带佩戴检测研究

建筑工地高处作业事故频发很大一部分原因是施工人员没有佩戴安全带。如何实时地确保施工中的高处作业人员正确佩戴安全带是目前急需解决的问题。提出将深度学习YOLOv3目标检测算法应用于高处作业人员安全带佩戴检测。针对高处作业人员安全带佩戴检测需要实时检测的特点,提出对原生YOLOv3目标检测算法进行剪枝改进,使得剪枝后的CUT-YOLOv3目标检测算法在与原生YOLOv3精度相当的情况下提升检测速度。最后,在自制的安全带检测数据集上进行CUT-YOLOv3目标检测算法与原生YOLOv3目标检测算法的精度与检测速度对比,实验结果表明,经过改进后的CUT-YOLOv3算法在mAP值基本不降的情况下FPS值具有9.12%的提升,基本能够满足实时检测的要求。

基于图像的驾驶员安全带自动检测系统

未系安全带行为可能在交通事故中给机动车驾驶员或者乘客带来严重的人员伤亡。现有的驾驶员安全带状态检测多依赖人工验证卡口图片,耗时低效。引入了基于中间件结构的驾驶员安全带自动检测系统,自动下载图像,并利用任务调度将图片分发至处理服务器。在处理服务器端,设计一种集合直线检测和HOG算子分类的多级安全带检测算法,自动检测卡口图像,并利用中间件将检测结果上传至指定的存储器。该系统扩展方便,可分布式部署,能对卡口图像进行大量、快速驾驶员安全带状态自动化检测。

基于深度迁移学习的电力作业安全带佩戴检测

在高空电力检修作业中会出现工人未按规定佩戴安全带的情况,存在严重的安全隐患。为此提出基于深度学习的安全带佩戴检测方法,针对深度学习中存在的样本依赖与超参数敏感问题,引入迁移学习以及群优化算法。首先通过重构预训练残差网络的卷积层与全连接层提出三种不同Fine-tuning迁移学习方法,再提出差分动态哈里斯鹰优化算法对三种方法构造的模型在自构建数据集上训练并进行超参数寻优,最后将超参数配置的模型应用到安全带佩戴检测中。仿真结果证明,差分动态哈里斯鹰算法可以实现较好的超参数寻优效果,并且在数据集较少的情况下该方法也能实现较高准确率的检测效果。