本文在YOLOv3(You Only Look Once)基础上提出一种优化的施工机械多目标检测模型,通过引入包含浅层语义的4个特征层的双向特征金字塔方法优化检测模型特征融合结构,提高施工现场多尺度目标检测精确率,并使用考虑边界框中心点距离指标的D...本文在YOLOv3(You Only Look Once)基础上提出一种优化的施工机械多目标检测模型,通过引入包含浅层语义的4个特征层的双向特征金字塔方法优化检测模型特征融合结构,提高施工现场多尺度目标检测精确率,并使用考虑边界框中心点距离指标的DIoU(Distance IoU)损失函数方法进一步提升回归框定位效果。结果表明,所提出模型在自建的复杂施工场景数据集上取得了优于原YOLOv3目标检测模型的结果,在检测速度达到实时的0.020 s/帧的情况下,将检测的平均检测准确率(mean Average Percision,mAP)提高了4.5%。本研究方法适用于实际复杂施工场景下的工人及机械多目标检测。展开更多
文摘本文在YOLOv3(You Only Look Once)基础上提出一种优化的施工机械多目标检测模型,通过引入包含浅层语义的4个特征层的双向特征金字塔方法优化检测模型特征融合结构,提高施工现场多尺度目标检测精确率,并使用考虑边界框中心点距离指标的DIoU(Distance IoU)损失函数方法进一步提升回归框定位效果。结果表明,所提出模型在自建的复杂施工场景数据集上取得了优于原YOLOv3目标检测模型的结果,在检测速度达到实时的0.020 s/帧的情况下,将检测的平均检测准确率(mean Average Percision,mAP)提高了4.5%。本研究方法适用于实际复杂施工场景下的工人及机械多目标检测。