典型文献
基于改进YOLOv5的安全帽佩戴检测算法
文献摘要:
针对现有安全帽佩戴检测算法在复杂场景下存在密集目标检测难度大、小目标误检和漏检等问题,提出一种基于改进YOLOv5的安全帽佩戴检测算法.该算法主要在以下三个方面进行优化:通过在主干网络添加卷积块注意力模块(C B A M)来提取多个尺度的全局特征信息,使模型在通道和空间上更关注主要信息,得到更丰富的高层语义信息;将特征融合网络中的路径聚合网络(PAN)改进为加权双向特征金字塔网络(BiFPN),实现特征信息双向跨尺度连接和加权融合;将边界框回归损失函数改进为EIOU损失函数,加快边界框收敛速度和提高目标识别准确率.在自制的安全帽佩戴检测数据集上进行实验验证的结果表明:改进后的算法平均准确率(mAP)达到92.8%,相较于YOLOv5算法,改进后的算法在目标检测精确度和召回率上分别提升2.4%和1.8%.
文献关键词:
安全帽佩戴检测;改进YOLOv5;卷积块注意力模块;加权双向特征金字塔网络;EIOU损失函数
中图分类号:
作者姓名:
何凌波;陈西曲
作者机构:
武汉轻工大学电气与电子工程学院,湖北武汉430023
文献出处:
引用格式:
[1]何凌波;陈西曲-.基于改进YOLOv5的安全帽佩戴检测算法)[J].长江信息通信,2022(11):14-19
A类:
B类:
YOLOv5,安全帽佩戴检测,检测算法,复杂场景,下存,密集目标检测,小目标,漏检,主干网络,加卷,卷积块注意力模块,全局特征,特征信息,语义信息,特征融合网络,路径聚合网络,PAN,加权双向特征金字塔网络,BiFPN,跨尺度,加权融合,边界框回归损失函数,EIOU,收敛速度,目标识别,识别准确率,检测数据集,平均准确率,mAP,检测精确度,召回率
AB值:
0.269235
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。