结合关键点和注意力机制的人员着装检测方法

针对工业生产安全系统中缺乏自动监管功能,设计了一种基于人体关键点定位和图像区域注意力机制的人员着装检测算法,对工地、码头、矿场等施工场所的工作人员进行工装佩戴标准检测,从而保障工作人员安全。结合人体姿态估计算法对人员着装区域进行定位,提出一种基于图像区域的注意力机制对服装特征进行有效表征,将复杂的人员着装检测任务解耦为目标检测和图像分类任务,提高了工业场景中的人员着装检测效率和性能。在MSCOCO及自定义煤矿场景着装检测数据集上的实验证明,提出的模型在人员定位和着装检测任务上均取得了优异的效果(MSCOCO数据集上AP50达到最优),具有较强的鲁棒性,可以适用于多种复杂环境。

一种结合Alphapose和ResNet的电力施工人员着装检测模型

针对目前电力施工人员着装检测算法在实际作业场景中适应性差、误检率高等问题,文章提出一种结合Alphapose和ResNet的电力施工人员着装检测模型。该模型通过Alphapose人体姿态估计模型得到施工视频中人员的关键点坐标,然后采用合适的裁剪算法根据坐标裁剪出所需的身体区域,最后应用改进的ResNet分类模型进行着装检测,判断工作人员是否穿戴安全帽、工作服及工作靴。该文章使用构建的数据集进行测试,结果表明:该方法准确率高,误检率低,能够满足实时性的需求,适合应用在实际的作业现场中。

基于改进YOLOv5s的着装不规范检测算法研究

针对餐饮后厨工作人员着装不规范,在复杂背景下采用现有算法检测精度低且易出现误检、漏检等问题,提出一种基于YOLOv5s的着装规范检测改进算法YOLOv5s-ESW。首先,在主干网络引入新型多尺度注意力机制改进C3模块,增强网络的特征提取能力;其次,在颈部网络中采用空间和通道重建卷积模块(SCConv)替换原始网络中的卷积模块(Conv),减少模型参数冗余,同时提升模型的精度;最后,在预测部分引入WIoU损失函数更换CIoU损失函数,提高模型泛化能力,加快收敛速度。将改进算法应用到自建餐饮后厨工作人员着装数据集中进行实验,实验表明,改进后的模型检测平均精度提升了4.1%,参数量减少了11.4%。该模型在提高了检测精度的同时降低了网络复杂度,能够满足餐饮后厨工作人员的着装规范检测的要求。

基于改进YOLOv5的建筑工人着装智能检测算法研究

针对建筑工地施工人员在施工现场着装不规范这一安全隐患,本研究首先构造了一个真实场景下的工人着装数据集,然后在YOLOv5的基础之上,提出了一个改进的YOLOv5模型。具体而言,针对YOLOv5对小目标检测精度和可信度不高的问题,改进模型首先在YOLOv5的Head部分增加针对小目标的特征提取层,然后将YOLOv5的C3模块改为BottleneckCSP模块,并将激活函数为SiLU,减少卷积操作的同时增加模型的平滑性和非单调性。实验结果表明,改进模型的性能均优于YOLOv5。

基于OpenVINO的民航智能穿戴检测方法研究

飞机维修人员的施工现场是整个机场运行环境的重要组成,需要在施工作业过程中监管维修人员是否遵守安全生产规定,其中最为重要的一点就是检查维修人员的着装是否符合生产规范;对进入机舱重点区域的维修人员着装提出更高的要求,传统人工的安全监管需要人工监控施工现场,但由于维修现场数量众多,人工巡检缺少实时性,造成违规现象不能得到及时纠正,难以实现有效监管。该文根据应用场景特点,提出一种基于OpenVINO平台的智能机务人员着装检测方法,可以实时对维修人员的着装要求进行分析和识别,对不符合安全规范的着装情况及时警告;在样本的训练中,使用最新迭代的YOLOv8算法对现有的模型进行机器学习,能够快速准确地发现飞机维修现场出现的不规范穿戴的相关问题。

改进YOLOv5的油田作业现场安全着装小目标检测

针对油田作业现场监控视频中的工人安全着装小目标检测效果较差的问题,提出了改进YOLOv5的油田场景规范化着装检测方法Cascade-YOLOv5(C-YOLOv5).首先搭建YOLO-people与YOLO-dress级联的小目标检测网络,定位行人目标,然后裁剪出行人区域并进行尺度变换,最后对行人进行安全着装检测;为了充分融合浅层与深层特征信息,在各级网络中使用4个不同尺度的卷积特征层来预测待检测目标.最后在原始图像中用不同颜色的框标出行人以及行人的着装部件类别,从而判定行人是否着装规范.实验证明,相比原始YOLOv5算法,C-YOLOv5方法不仅满足实时性的要求,而且检测的mAP提升了2.3%.同时,融合了深浅层信息的改进方法有效地增强了特征的表征能力,提高了小目标的检测精度.

基于多尺度注意力网络的电工着装不规范检测

针对电力安全施工中施工人员着装不规范问题,笔者采用智能视觉计算中的目标检测技术,对施工人员是否佩戴安全帽以及穿着工作服是否规范的情况进行自动检测,提出一种基于多尺度注意力网络(MAR-CNN)的着装不规范检测方法。该方法针对安全帽及着装等目标大小不一的多尺度特性,在Faster R-CNN网络的基础上,结合了特征金字塔(FPN)思想,设计了多尺度注意力(MA)网络模块。此外,该注意力机制可以有效抑制背景特征,增强检测对象的特征,有效缓解施工现场背景复杂带来的错检漏检现象。在电网施工现场数据集上的实验结果表明笔者所提方法具有有效性。