典型文献
基于嵌入式平台的安全帽实时检测方法
文献摘要：
基于深度学习实现施工现场人员是否佩戴安全帽的检测方法因卷积神经网络层数多、结构复杂、计算量庞大,难以在嵌入式平台上实现实时检测.针对该问题,提出一种基于改进YOLOv4-Tiny的轻量化网络算法.该算法首先通过改进特征提取网络进一步融合多尺度特征信息以提高对小目标区域的识别能力;其次通过引入EIOU损失函数提高定位精确度以及模型收敛速度;最后采用聚类算法K-means++提取先验框中心点,选取更为合适的先验框,用于提高检测的精度及速度.实验结果表明,采用改进后的算法在嵌入式平台上进行安全帽佩戴检测,均值平均精度达到92.47％,较YOLOv4-Tiny提高了12.91％,实现了每秒20.16帧的实时检测速度,达到了实时检测的要求.
文献关键词：
深度学习;实时目标检测;嵌入式平台;多尺度特征
中图分类号：
作者姓名：
李发伯;刘猛;景晓琦
作者机构：
沈阳理工大学 信息科学与工程学院,沈阳110159
文献出处：
引用格式：
[1]李发伯;刘猛;景晓琦-.基于嵌入式平台的安全帽实时检测方法)[J].沈阳理工大学学报,2022(06):6-12
A类：
B类：
嵌入式平台,实时检测,施工现场,法因,网络层,层数,计算量,YOLOv4,Tiny,轻量化网络,网络算法,改进特征,特征提取网络,多尺度特征,特征信息,小目标,目标区域,识别能力,EIOU,损失函数,收敛速度,聚类算法,means++,先验框,中心点,高检,安全帽佩戴检测,均值平均精度,每秒,检测速度,实时目标检测
AB值：
0.386613
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。
