针对电动车驾驶人员未佩戴头盔的现象,提出了一种改进YOLOv4(You only look once)算法的电动车驾驶人员头盔佩戴检测方法。将数据集利用K-means算法进行聚类以获得先验框,提高先验框与特征图的匹配程度;在CSPDarknet53主干特征提取网络...针对电动车驾驶人员未佩戴头盔的现象,提出了一种改进YOLOv4(You only look once)算法的电动车驾驶人员头盔佩戴检测方法。将数据集利用K-means算法进行聚类以获得先验框,提高先验框与特征图的匹配程度;在CSPDarknet53主干特征提取网络的输出层增加卷积层,并在PANet(Path Aggregation Network)网络部分增加SPP(Spatial Pyramid Pooling)空间池化金字塔增加感受野,提升特征提取和融合能力,提高对电动车驾驶员是否佩戴头盔的检测能力。实验表明,在是否佩戴头盔检测任务中,改进后框架算法的全类别mAP(mean average precision)达到96.63%,比原框架提高2.4%;其中改进后佩戴头盔类别的AP(Average Precision)比原框架提高4%,未佩戴头盔类别AP比原框架提高1%;F(F-Measure)值比原算法均提高4%,改进后的算法更满足头盔佩戴检测任务。展开更多
为了提高建筑施工的效率并降低建筑业事故死亡率,提出一种改进YOLOv4的安全帽佩戴检测及身份识别方法,用于自动监测施工人员是否佩戴安全帽并识别佩戴者的身份。将YOLOv4中的NMS算法改进为Soft-NMS算法;增加主干特征提取网络CSPDarknet5...为了提高建筑施工的效率并降低建筑业事故死亡率,提出一种改进YOLOv4的安全帽佩戴检测及身份识别方法,用于自动监测施工人员是否佩戴安全帽并识别佩戴者的身份。将YOLOv4中的NMS算法改进为Soft-NMS算法;增加主干特征提取网络CSPDarknet53中的残差块个数来提高模型的检测精度;利用迁移学习的方法在四个安全帽数据集上训练,扩大模型的应用范围。实验结果表明,上述算法平均检测精度mAP(Mean Average Precision)达到了92.05%,比YOLOv3、YOLOv4和YOLOv5s高出4.18%、1.66和1.85%,通过对施工现场入口处和施工现场的监控视频进行测试,验证了所提算法在施工现场应用中的有效性。展开更多
文摘为了提高建筑施工的效率并降低建筑业事故死亡率,提出一种改进YOLOv4的安全帽佩戴检测及身份识别方法,用于自动监测施工人员是否佩戴安全帽并识别佩戴者的身份。将YOLOv4中的NMS算法改进为Soft-NMS算法;增加主干特征提取网络CSPDarknet53中的残差块个数来提高模型的检测精度;利用迁移学习的方法在四个安全帽数据集上训练,扩大模型的应用范围。实验结果表明,上述算法平均检测精度mAP(Mean Average Precision)达到了92.05%,比YOLOv3、YOLOv4和YOLOv5s高出4.18%、1.66和1.85%,通过对施工现场入口处和施工现场的监控视频进行测试,验证了所提算法在施工现场应用中的有效性。
