典型文献
基于改进YOLOv5的安全帽佩戴检测
文献摘要：
针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块.针对YOLOv5去除冗余框时采用的非极大值抑制(Non Maximum Suppression,NMS)在物体高度重叠时仅保留同类最高置信度预测框的问题,使用Soft-NMS算法保留更多的预测框,并进一步使用加权非极大值抑制(Weighted Non Maxi-mum Suppression,WNMS)融合多次预测框信息提升预测框准确性;针对下采样带来的信息丢失问题,使用Focus模块提升检测效果;综合各个模块得到最优的FESW-YOLO算法.该算法在安全帽数据集上的mAP@0.5、mAP@0.5∶0.95相较于YOLOv5分别提高了 2.1个百分点、1.2个百分点,提升了安全帽监管准确性.
文献关键词：
目标检测;安全帽监测;卷积网络;深度学习
中图分类号：
作者姓名：
岳衡;黄晓明;林明辉;高明;李扬;陈凌
作者机构：
国网浙江省电力有限公司宁波供电公司物资部,浙江 宁波315000;国网浙江省电力有限公司宁波市奉化区供电有限公司,浙江 宁波315599
文献出处：
引用格式：
[1]岳衡;黄晓明;林明辉;高明;李扬;陈凌-.基于改进YOLOv5的安全帽佩戴检测)[J].计算机与现代化,2022(06):104-108,126
A类：
WNMS,FESW,安全帽监测
B类：
YOLOv5,安全帽佩戴检测,安全帽检测,检测准确性,注意力模块,Squeeze,Excitation,Layer,SEL,高效通道注意力,Efficient,Channel,Attention,ECA,非极大值抑制,Non,Maximum,Suppression,置信度,Soft,Weighted,下采样,样带,信息丢失,Focus,检测效果,mAP,百分点,目标检测,卷积网络
AB值：
0.399705
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。
