文献类型：期刊文章

作　　者：田枫[1] 贾昊鹏[1] 刘芳[1]

TIAN Feng;JIA Hao-Peng;LIU Fang(School of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China)

机构地区：[1]东北石油大学计算机与信息技术学院,大庆163318

出　　处：《计算机系统应用》

基　　金：黑龙江省自然科学基金(LH2021F004);黑龙江省高等学校教改工程(SJGZ20200037);东北石油大学研究生教育创新工程(JYCX_11_2020);东北石油大学引导性创新基金(2020YDL-11);黑龙江省省属本科高校基本科研业务费(KYCXTD201903);黑龙江省优秀青年科学基金(YQ2020D001);黑龙江省教育科学规划重点课题(GJB1421113)。

年　　份：2022

卷　　号：31

期　　号：3

起止页码：159-168

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：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.

关 键 词：改进YOLOv5  着装检测  多尺度融合 小目标检测 级联网络

分 类 号：TE38] TP391.41]