文献类型：期刊文章

作　　者：赵睿[1] 刘辉[1] 刘沛霖[1] 雷音[1] 李达[1]

ZHAO Rui;LIU Hui;LIU Peilin;LEI Yin;LI Da(School of Physics and Electronic Science,Hunan Normal University,Changsha 410081,China)

机构地区：[1]湖南师范大学物理与电子科学学院,长沙410081

出　　处：《北京航空航天大学学报》

年　　份：2023

卷　　号：49

期　　号：8

起止页码：2050-2061

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对现有安全帽检测算法难以检测小目标、密集目标等缺点,提出一种基于YOLOv5s的安全帽检测改进算法。采用DenseBlock模块来代替主干网络中的切片结构,提升网络的特征提取能力;在网络颈部检测层加入SE-Net通道注意力模块,引导模型更加关注小目标信息的通道特征,以提升对小目标的检测性能;对数据增强方式进行改进,丰富小尺度样本数据集;增加一个检测层以便能更好地学习密集目标的多级特征,从而提高模型应对复杂密集场景的能力。此外,构建一个面向密集目标及远距离小目标的安全帽检测数据集。实验结果表明:所提改进算法比原始YOLOv5s算法平均精确率(mAP@0.5)提升6.57%,比最新的YOLOX-L及PP-YOLOv2算法平均精确率分别提升1.05%与1.21%,在密集场景及小目标场景下具有较强的泛化能力。

关 键 词：安全帽检测  YOLOv5s算法  数据增强  DenseBlock模块  SE-Net注意力模块  

分 类 号：TP391.41] TP183[计算机类]