文献类型：期刊文章

作　　者：左应祥[1] 倪建辉[1] 杨圆鉴[2] 韩光谱[1] 彭聪[1]

ZUO Yingxiang;NI Jianhui;YANG Yuanjian;HAN Guangpu;PENG Cong(Chongqing Gas Field of Southwest Oil and Gas Field Company,Chongqing 400021,China;School of Emergency Managment&School of Safety Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]中国石油西南油气田分公司重庆气矿,重庆400021 [2]重庆科技学院安全工程学院(应急管理学院),重庆401331

出　　处：《重庆科技学院学报（自然科学版）》

基　　金：国家科技重大专项“涪陵页岩气田信息化控制系统研发升级应用”(2016ZX05060-027);中石油企业委托项目“天然气生产场所不安全行为视频智能识别预警技术应用研究”(K20-16)。

年　　份：2021

卷　　号：23

期　　号：6

起止页码：45-49

语　　种：中文

收录情况：CAS、普通刊

摘　　要：为了优化气田无人值守场站监控效果,改善低分辨率画面检测精度低、识别困难及深度学习模型在多摄像头下资源消耗严重的问题,提出一种基于YOLOv5网络的多路入侵目标检测方法。应用YOLOv5网络及Deep SORT算法分别提取目标外观及其运动特征,通过拼接画面的方式实现对显存资源的合理利用。实验结果表明,进行迁移学习后模型的mAP值可达95%,检测精度较高,模型鲁棒性良好。

关 键 词：YOLOv5网络  入侵检测 卷积神经网络  多路并发检测  

分 类 号：TP277]