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。

特殊天气条件下的目标检测方法综述

在深度学习的推动下,目标检测方法在近些年取得了很大的进展。但在特殊天气条件下,如在常见的雾霾、沙尘、雨天、雪天等天气条件下拍摄到的图像会退化模糊,难以提取有效特征,从而对后期的目标检测带来巨大的困难。对近年来国内外学者在特殊天气下目标检测的研究进行了总结归纳,从相关数据集的建立和用途、面向特殊天气条件下的图像恢复算法研究及其对目标检测任务的影响、迁移学习中的领域自适应方法在目标检测的应用三个方面进行分析。对相关方法的实验结果进行综合比较,并提出今后的研究重点。

面向嵌入式系统的图像实时去雾方法

近些年来,深度学习方法快速兴起,卷积神经网络技术被应用于图像去雾领域,去雾效果得到了进一步提升。但也面临着计算量大,无法在嵌入式设备中达到实时性的问题。为增强嵌入式设备的去雾效率,通过优化网络结构和剪枝算法压缩网络模型,设计出一种面向嵌入式系统的图像实时去雾网络,最后将模型部署在嵌入式系统中。实验结果表明,该方法在不降低去雾效果的前提下,模型大小压缩83%,处理速度提高70%,达到40帧/s,在嵌入式系统中实现了实时去雾。与目标检测网络YOLO-FASTEST联调,在雾天情况下的平均检测精度提高近3%,检测速度达到近5帧/s。