典型文献
针对轻量化网络的安全帽检测方法
文献摘要：
变电站内电气设备数量众多,在工人进行现场作业时需要对工人佩戴安全帽进行监测.由于机器学习的安全帽佩戴检测方法常常出现漏检和误检的情况,为提高对安全帽佩戴识别的准确率,同时加快识别速度,提出了一种基于YOLOv5 s的轻量化卷积神经网络模型.通过引入RepVGG模块对网络主干进行轻量化,在网络后处理阶段通过Soft-NMS降低遮挡目标漏检率,以Mixup数据增强来扩充数据集,建立样本之间的线性关系,提升训练模型泛化性能,最后进行消融实验.实验结果表明,改进的模型的均值平均精度(mAP)达到80.4％,推理速度达到了83.3 f/s,为变电站安全帽佩戴检测提供了有效参考.
文献关键词：
深度学习;安全帽检测;RepVGG;Mixup算法
中图分类号：
作者姓名：
刘泽西;张楠;连婷;马骏;赵勇;倪威
作者机构：
国网新疆电力有限公司巴州供电公司,新疆库尔勒 841000;华北电力大学电气与电子工程学院,北京 102206
文献出处：
引用格式：
[1]刘泽西;张楠;连婷;马骏;赵勇;倪威-.针对轻量化网络的安全帽检测方法)[J].测控技术,2022(08):16-21,53
A类：
B类：
轻量化网络,安全帽检测,站内,电气设备,现场作业,安全帽佩戴检测,安全帽佩戴识别,YOLOv5,轻量化卷积神经网络,卷积神经网络模型,RepVGG,Soft,NMS,遮挡目标,漏检率,Mixup,数据增强,充数,训练模型,模型泛化性,泛化性能,消融实验,均值平均精度,mAP,推理速度,变电站安全,有效参考
AB值：
0.383615
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。
