文献类型：期刊文章

作　　者：张锦[1] 屈佩琪[1] 孙程[2] 罗蒙[2]

ZHANG Jin;QU Peiqi;SUN Cheng;LUO Meng(College of Information Science and Engineering,Hunan Normal University,Changsha Hunan 410081,China;School of Mathematics and Statistics,Hunan Normal University,Changsha Hunan 410081,China)

机构地区：[1]湖南师范大学信息科学与工程学院,长沙410081 [2]湖南师范大学数学与统计学院,长沙410081

出　　处：《计算机应用》

基　　金：国防科工局国防基础科研计划项目(WDZC20205500119);湖南省自然科学基金资助项目(2021JJ30456);湖南省交通运输厅科技进步与创新计划项目(201927);工业控制技术国家重点实验室开放课题(ICT2021B10);湖南省研究生培养创新实践基地项目(湘教通[2019]248号)。

年　　份：2022

卷　　号：42

期　　号：4

起止页码：1292-1300

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进YOLOv5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度(mAP)达到96.0%,而对佩戴安全帽的工人的平均精度(AP)达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于YOLOv5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。

关 键 词：安全帽佩戴检测  目标检测 深度学习  YOLOv5  注意力机制  

分 类 号：TP391.41]