典型文献
基于深度级联模型工业安全帽检测算法
文献摘要：
在工业生产中,安全帽对人体头部提供了较好的安全保障.在现场环境中,检验施工人员是否佩戴安全帽主要依靠人工检查,因而效率非常低.为了解决施工现场安全帽检测识别难题,提出一种基于深度级联网络模型的安全帽检测方法.首先通过You Only Look Once version 4(YOLOv4)检测网络对施工人员进行检测;然后运用注意力机制残差分类网络对人员ROI区域进行分类判断,识别其是否佩戴安全帽.该方法在Ubuntu18.04系统和Pytorch深度学习框架的实验环境中进行,在自主制作工业场景安全帽数据集中进行训练和测试实验.实验结果表明,基于深度级联网络的安全帽识别模型与YOLOv4算法相比,准确率提高了2个百分点,有效提升施工人员安全帽检测效果.
文献关键词：
安全帽;级联网络;目标检测;YOLOv4;残差分类网络;注意力机制
中图分类号：
作者姓名：
杨贞;朱强强;彭小宝;殷志坚;温海桥;黄春华
作者机构：
江西科技师范大学通信与电子学院,江西 南昌 330013;防城港市气象局,广西 防城港 538001
文献出处：
引用格式：
[1]杨贞;朱强强;彭小宝;殷志坚;温海桥;黄春华-.基于深度级联模型工业安全帽检测算法)[J].计算机与现代化,2022(01):91-97,119
A类：
残差分类网络
B类：
安全帽检测,检测算法,现场环境,施工人员,佩戴,非常低,施工现场安全,检测识别,级联网络,You,Only,Look,Once,version,YOLOv4,测网,注意力机制,ROI,类判,Ubuntu18,Pytorch,深度学习框架,实验环境,工业场景,测试实验,识别模型,百分点,提升施工,人员安全,检测效果,目标检测
AB值：
0.330488
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
