基于改进YOLOv7的安全帽佩戴检测算法

为提高作业场所中安全帽佩戴检测的算法精度,本文提出一种基于YOLOv7网络架构进行改进的优化算法。该算法以YOLOv7为基准模型,在其网络的ELAN结构和SPPCSPC结构中引入一种无参数的注意力机制SimAM,取代其原有部分的卷积模块CBS,以增强检测网络的特征提取能力,提升模型对图像中目标和背景的区分能力。在检测头的卷积中引入坐标卷积模块,使得卷积能够感知空间信息,改善目标定位精度低的问题。将YOLOv7中原生的损失函数替换为WIoU损失函数,使算法专注于困难样本,提升其分类性能。在数据集上对改进模型进行验证,实验结果表明,改进后模型平均精度为84.7%,相较于原YOLOv7模型提升了5.7个百分点。通过一系列对比实验证明了改进算法的有效性,相较于主流模型具有一定优势,对后续的研究和应用具有参考价值。

改进YOLOv8的轻量化安全帽佩戴检测算法

针对安全帽佩戴检测模型大、运算复杂、对运算平台资源要求高的问题,提出了基于YOLOv8改进的轻量化安全帽佩戴检测算法YOLOv8-MBS。首先,利用MobileNetv3与SPPF共同组成新的轻量级主干层,降低了算法的参数量和计算量。其次,使用加权双向金字塔增强了算法的特征提取与特征表达能力,降低了误检率。最后,嵌入SimAM无参数注意力机制,提升网络对位置信息与安全帽特征的关联度,但不增加额外计算负担。实验结果表明,对比原始网络YOLOv8n,改进后的YOLOv8-MBS在保持较高的检测精度的同时,运算量降低35.96%,参数量降低25.63%,模型大小降低23.22%,帧率提高12.52 fps。模型的轻量化降低了部署成本,为嵌入式部署及大规模应用提供了理论支持。

一种基于改进YOLOv8网络模型的安全帽佩戴检测算法

为了实现对特定场所人员佩戴安全帽行为的自动检测,提出了一种基于改进YOLOv8网络模型的检测算法。采用FasterNet思想改进YOLOv8网络模型的C2f结构,减少了初始模型的参数量和运算量;在检测头位置添加EMA机制模块,提升了模型的特征检测性能;引入SAConv模块和ASFF算法改造检测头结构,对不同尺度的特征信息进行自适应融合,提升了初始模型的特征提取能力。消融实验和对比实验证明,所提出算法的检测精度更高,检测速度更快,能够满足实际生产对安全帽佩戴检测的需求。

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。

基于注意力机制的安全帽佩戴状态检测模型

为缓解安全生产视频监控场景下物体尺寸小、背景复杂、遮挡容易导致的安全帽佩戴状态漏检、误检、定位不准等问题,提出1种基于注意力机制的2阶段高精度安全帽佩戴状态检测模型。提出双向多层连接融合的特征金字塔网络,并设计基于编解码的空间注意力机制去除冗余特征,提升小尺寸目标的召回率;采用多尺度卷积提取候选区域多层上下文特征,并利用注意力机制对不同层级、不同尺度的上下文特征进行显式加权,进而提高模型在复杂背景下的鲁棒性;解耦候选区域分类和定位网络,分别引入通道注意力和空间注意力提升模型分类和定位精度。研究结果表明:基于注意力机制的安全帽佩戴状态检测模型整体上优于当前相对主流的高精度检测框架,如YOLOv3、SSD、RetinaNet、Faster R-CNN、TridentNet模型。研究结果可有效缓解安全生产视频监控场景下安全帽佩戴状态的漏检、误检和定位不准等问题。

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的多场景安全帽检测算法

针对目前无法实时准确地监测工人是否佩戴安全帽的问题,提出一种基于YOLOv5s的多场景安全帽佩戴检测算法(YOLOv5s-SDSNR)。首先,在YOLOv5s基础上采用最优传输理论将局部匹配策略改进为全局匹配策略,增加正样本的数量,使模型更有针对性训练;然后,利用解耦检测头对分类和定位进行解耦,分别提升分类和定位的准确性;最后,使用结构重参数化将主干网络的训练和推理等效转换,以此来提升特征提取能力和推理速度。实验结果表明,相比原YOLOv5s模型,YOLOv5s-SDSNR的mAP达到97.83%,提升了8.01个百分点,在NVDIA Tesla T4上FPS达到67.77,相较于Faster RCNN、YOLOX,改进的模型更适用于多场景安全帽检测需求。

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Swin Transformer的YOLOv5安全帽佩戴检测方法

针对目前施工现场的安全帽检测方法存在遮挡目标检测难度大、误检漏检率高的问题,提出一种改进YOLOv5的安全帽检测方法;首先,使用K-means++聚类算法重新设计匹配安全帽数据集的先验锚框尺寸;其次,使用Swin Transformer作为YOLOv5的骨干网络来提取特征,基于可移位窗口的Multi-head自注意力机制能建模不同空间位置特征之间的依赖关系,有效地捕获全局上下文信息,具有更好的特征提取能力;再次,提出C3-Ghost模块,基于Ghost Bottleneck对YOLOv5的C3模块进行改进,旨在通过低成本的操作生成更多有价值的冗余特征图,有效减少模型参数和计算复杂度;最后,基于双向特征金字塔网络跨尺度特征融合的结构优势提出新型跨尺度特征融合模块,更好地适应不同尺度的目标检测任务;实验结果表明,与原始YOLOv5相比,改进的YOLOv5在安全帽检测任务上的mAP@.5:.95指标提升了2.3%,检测速度达到每秒35.2帧,满足复杂施工场景下安全帽佩戴检测的准确率和实时性要求。

安全帽佩戴检测网络模型的轻量化设计

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值(mAP)得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。

基于增强特征融合网络的安全帽佩戴检测

佩戴安全帽是保证工人施工安全的重要方式之一。现有的安全帽检测器的检测精度与速度都有待提高,这使得这些检测器难以大规模应用于实际的生产活动中。针对这些问题,文中推出了基于EfficientDet的安全帽检测器,并在此基础上从特征融合的角度对其进行了改进。该模型通过使用特征补充的方式减少了特征融合过程中的信息损失,并利用改进的特征金字塔及自适应空间融合模块提升了融合的效率,最终达到提升性能的目的。实验表明,文中改进的模型在安全帽佩戴数据集上的精确率达到83.03%,相较于未改进的模型有所提升,且模型大小没有明显增加。该模型在PASCAL VOC 2007上的精确率则达到了82.76%。

轻量化YOLOv4的安全帽佩戴检测方法

为了平衡深度学习网络在网络深度、模型效果和易用性之间的关系,针对安全帽佩戴检测,提出一种基于轻量化模块的改进YOLOv4网络。在主干网络中,采用深度可分卷积和压缩激励机制所组成的模块替换残差块,在不进行内部堆叠的情况下,减少网络的深度和参数量;在聚合网络中,采用反向注意力机制模块增加目标物体的显著信息,使网络获取的特征包含更丰富的细节信息。在公开的安全帽佩戴图像数据集上进行的实验表明,提出方法的模型大小为106.4 M,相比原网络减少了149.9 M,网络检测的平均精确度均值比原网络有所提升,验证了轻量化目标检测方法及其在安全帽检测应用中的有效性。

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽,提出了一种改进的Yolov4算法.首先,针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题,自建了一个用于室内场景的安全帽佩戴状态检测数据集.随后,为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率,设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中.该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征,加强待检测目标的特征纹理,使得模型能够检测出这两类目标.再通过特征自校准模块对融合后的特征进行过滤,加强或抑制特征图上的每一像素点,使得模型可以在融合后的特征图上进行精确的检测.此外为加速模型收敛,使用解耦合的检测头替换原Yolov4中的耦合检测头,使目标定位任务与安全帽佩戴状态的分类任务相互独立.最后为提升模型对于重叠目标的检测能力,提出了软性非极大值抑制后处理算法Soft-CIoU-NMS.实验结果表明,该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽,准确率达到了95.1%.相比于原Yolov4模型,该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升,检测准确率提升了约4.7%,较好地满足了室内场景下作业人员安全帽佩戴状态智能检测的要求.

融合迁移学习与YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测算法在检测小目标和密集目标时出现漏检、检测准确度低下等问题,本文提出一种基于改进YOLOv5和迁移学习的安全帽佩戴检测新方法。使用K-means算法聚类出更适合检测任务的先验框尺寸以解决默认先验框不适应任务的问题;在特征提取网络后段引入空间通道混合注意力模块,使模型加强对目标权重的学习,抑制无关背景的权重;改进YOLOv5后处理阶段的非极大值抑制(Non-Maximum-Suppression,NMS)算法的判断度量,减少预测框误删和缺失的现象;采用迁移学习的策略对网络进行训练,克服现有数据集不足的缺陷并提升模型泛化能力;最后提出一种适用于视觉传感网络的安全帽佩戴级联判断框架。实验结果表明改进模型的平均准确率(IOU=0.5)达到了93.6%,与原始模型相比提高了5%,性能优于其他同类算法,提高了施工场景下对安全帽佩戴检测的准确率。

基于改进YOLOv3的安全帽佩戴检测算法

针对复杂工业场景下安全帽佩戴检测存在检测精度低、误检率和漏检率高以及检测速度慢等问题,提出一种改进YOLOv3的识别精度高、检测速度快的安全帽佩戴检测算法。对传统YOLOv3主干网络进行裁剪改进,使检测速度得到明显提升;引入空间金字塔池化模块使局部特征和全局特征更有效地融合;将损失函数改进为CIoU以提升目标预测框与真实目标框的拟合效果;扩充第四特征融合尺度用于小目标检测以提高小目标的识别精度。结果表明:在复杂工业环境下,改进后的YOLOv3安全帽佩戴检测的平均检测精度提高了2.37%,且检测速度提升了2.7倍,同时降低了安全帽佩戴检测的漏检率以及误检率。

深度学习在安全帽佩戴检测中的应用研究综述

在深度学习的推动下,目标检测方法在工业安防领域取得了很大的进展,安全帽佩戴检测任务逐渐成为智能图像识别领域的一项重要研究课题。为了综合分析深度学习技术在安全帽佩戴检测任务中的研究现状,方便后续科研人员开展研究性工作。对近年来国内外学者在深度学习环境下的安全帽佩戴检测算法总结归纳,对比分析这些方法的优点和局限性。分别从数据集的建立和用途、安全帽佩戴检测主要检测算法归纳、当前安全帽佩戴检测领域的难点这三个方面进行分析。对安全帽佩戴检测领域未来的研究方向进行展望,并提出该领域今后研究重点。

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。