文献类型：期刊文章

作　　者：方明[1] 孙腾腾[1] 邵桢[1]

FANG Ming;SUN Teng-teng;SHAO Zhen(School of Computer Science and Technology,Changchun University of Science and Technology,Changchun130022,China)

机构地区：[1]长春理工大学计算机科学技术学院

出　　处：《光学精密工程》

基　　金：吉林省重点科技成果转化项目资助(No.20170307002GX)

年　　份：2019

卷　　号：27

期　　号：5

起止页码：1196-1205

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：施工现场光照多变、背景复杂、施工人员形态多样,给安全帽佩戴情况检测带来很大的困难。针对传统检测方法准确率低、鲁棒性差的问题,本文提出了一种基于深度学习的安全帽佩戴情况检测方法。该方法以YOLOv2目标检测方法为基础,对其网络结构进行了改进。首先借鉴了密集连接网络思想,在原网络中加入了密集块,实现了多层特征的融合以及浅层低语义信息与深层高语义信息的兼顾,提高了网络对于小目标检测的敏感性;然后,利用MobileNet中的轻量化网络结构对网络进行压缩,使模型的大小缩减为原来的十分之一,增加了模型的可用性。采用自制的HelmetWear数据集对改进后的网络模型进行训练和测试,并将该模型与原YOLOv2和最新的YOLOv3进行了对比,结果显示:该模型的检测准确率为87.42%,稍逊色于YOLOv3,但是其检测速度提升显著,比YOLOv2和YOLOv3分别提高了37%和215%,可达148frame/s。实验表明,改进后的网络模型能在保证检测准确率的同时,有效减小参数量,显著提升检测速度。

关 键 词：深度学习  目标检测 安全帽检测  密集连接网络  MobileNet  

分 类 号：TU714] TP391.41]