典型文献
基于轻量化深度学习模型的安全帽检测方法
文献摘要：
基于对施工现场管理中安全帽检测重要性的认识,同时考虑工程项目中硬件设施的成本控制等现实问题,提出了一种基于深度学习网络Tiny-YOLO v3的轻量化改进版本LT-YOLO的安全帽检测技术方法.LT-YOLO增加了网络的输出层,并包含一种创新的R-DSC特征提取模块,该模块能够在不改变网络输入与输出大小的前提下,极大地降低模型的复杂度.实验结果表明,LT-YOLO在轻量化效果与检测性能之间取得了优良的平衡,在3.5 M参数量的基础上达到了59.3 mAP(mean aver-age precision)和59.4％Recall.因此LT-YOLO拥有极低的参数量和计算量,对高算力硬件的依赖性低,适用于实际工程管理应用的施工现场安全管理,能够极大地降低企业成本,提升施工安全管理的水平.
文献关键词：
施工现场管理;安全帽检测;深度学习;轻量化;工程管理
中图分类号：
作者姓名：
秦子豪;雷鸣;宋文广;张维
作者机构：
长江大学城市建设学院,荆州434023;长江大学计算机科学学院,荆州434023
文献出处：
引用格式：
[1]秦子豪;雷鸣;宋文广;张维-.基于轻量化深度学习模型的安全帽检测方法)[J].科学技术与工程,2022(14):5659-5665
A类：
B类：
深度学习模型,安全帽检测,施工现场管理,硬件设施,成本控制,深度学习网络,Tiny,YOLO,v3,改进版,LT,出层,DSC,取模,输入与输出,检测性能,参数量,上达,mAP,mean,aver,age,precision,Recall,计算量,高算力,工程管理,管理应用,施工现场安全,现场安全管理,企业成本,提升施工,施工安全管理
AB值：
0.393453
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。
