典型文献
改进YOLOv4算法的安全帽检测
文献摘要：
传统的人工巡检和查看监控检测安全帽佩戴的方法容易造成漏检、误检,因此提出一种基于改进YOLOv4算法的安全帽检测方法.首先,采用百度AI Studio平台的公开安全帽数据集和网络爬虫收集数据,自制安全帽佩戴情况数据集;再使用Mosaci、图像翻转等多种数据增强算法丰富图像信息;引入K?means聚类更新锚框尺寸,空洞卷积扩大感受野和标签平滑防止模型过拟合,以提升中小物体检测性能.经实验验证,改进版YOLOv4算法较原始YOLOv4算法mAP提升了1.77％;与Faster RCNN相比mAP提升了4.13％,小物体目标检测效果mAP提升了12.71％,检测速度提升20倍.实例结果显示,改进版YOLOv4算法无漏检、误检情况,可准确检测出未佩戴安全帽的人员,有效减少了安全隐患.
文献关键词：
安全帽佩戴检测;改进YOLOv4算法;锚框尺寸更新;感受野;标签平滑;实验分析
中图分类号：
作者姓名：
李帅;李丽宏;王素刚;田建艳;李济甫
作者机构：
太原理工大学 电气与动力工程学院,山西 太原 030024;山西省万立科技有限公司,山西 太原 030006
文献出处：
引用格式：
[1]李帅;李丽宏;王素刚;田建艳;李济甫-.改进YOLOv4算法的安全帽检测)[J].现代电子技术,2022(03):103-110
A类：
Mosaci,锚框尺寸更新
B类：
YOLOv4,安全帽检测,人工巡检,查看,监控检测,漏检,百度,Studio,网络爬虫,收集数据,制安,图像翻转,数据增强,增强算法,图像信息,means,空洞卷积,感受野,标签平滑,过拟合,物体检测,检测性能,改进版,mAP,Faster,RCNN,目标检测,检测效果,检测速度,无漏,安全帽佩戴检测
AB值：
0.36136
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。
