基于改进的YOLOv5安全帽佩戴检测算法

针对安全帽佩戴检测中存在的误检和漏检的问题，提出一种基于YOLOv5模型改进的安全帽佩戴检测算法。改进模型引入多尺度加权特征融合网络，即在YOLOv5的网络结构中增加一个浅层检测尺度，并引入特征权重进行加权融合，构成新的四尺检测结构，有效地提升图像浅层特征的提取及融合能力；在YOLOv5的Neck网络的BottleneckCSP结构中加入SENet模块，使模型更多地关注目标信息忽略背景信息；针对大分辨率的图像，添加图像切割层，避免多倍下采样造成的小目标特征信息大量丢失。对YOLOv5模型进行改进之后，通过自制的安全帽数据集进行训练检测，mAP和召回率分别达到97.06%、92.54%,与YOLOv5相比较分别提升了4.74%和4.31%。实验结果表明：改进的YOLOv5算法可有效提升安全帽佩戴的检测性能，能够准确识别施工人员的安全帽佩戴情况，从而大大降低施工现场的安全风险。     

基于YOLOv5s的智慧工地安全管理系统的实现

建筑行业是一种高危行业。在建筑安全中,安全帽的佩戴可以在一定程度上保障施工人员的安全。针对施工人员的安全帽佩戴问题,设计并实现了一款基于YOLOv5s算法模型的智慧工地安全管理系统。将训练好的算法模型通过RT-Thread操作系统部署于嵌入式硬件平台,在施工现场智能识别未佩戴安全帽的人员并提出报警。在进行推理测试后得出结果,基于YOLOv5s的算法模型可以有效地区别出施工人员有无正确佩戴安全帽,测试精度达到92.3%。当IoU为50时,mAP值达到93.1%。实验结果表明,基于YOLOv5s的算法模型在人群密集和小头检测等问题上准确率高,实时性强,均已达到实际使用需求,同时有助于降低施工风险,减少不必要的人力监督,实现工地人员智能安全管理。     

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰，解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题，引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合，实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低，信息特征少，多尺度并存，导致在连续卷积过程中易丢失特征信息等问题，采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息，弱化安全帽检测时背景信息的干扰。仿真结果表明，基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS，是基础YOLOv4网络的16倍，检测精度提升了4.21%，检测速度与检测精度达到平衡。     

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.     

改进SSD的安全帽佩戴检测方法

在施工的过程中,需要对人员安全帽佩戴情况进行快速准确地检测并及时预警,实现减少生命和财产的损失。但现有的安全帽佩戴检测算法存在检测速度慢、检测精准度不高等问题,为解决此类问题,提出了一种基于目标检测算法SSD(Single Shot Multi Box Detector)的改进安全帽佩戴快速检测算法。通过使用轻量型卷积神经网络Mobile Net V3-small替换SSD检测算法的卷积神经网络VGG-16,实现减少模型参数,提升检测速率的目的;同时使用特征金字塔网络结构将深层更抽象的特征与浅层更细节特征进行信息的融合,提升检测精确度;以自主制作安全帽数据集HWear的方式进行训练和测试实验,训练时利用数据增强技术提高模型的检测性能。实验结果表明,改进的SSD算法提升了人员安全帽佩戴检测速率,达到108 fps,同时相比于SSD算法平均精确率(mAP)提升了0.5%,具有一定的实践意义。     

基于改进型YOLO v5算法的安全帽佩戴检测

提出一种基于改进型YOLO v5算法的安全帽佩戴检测方法,通过安全帽区域与头部区域的位置关系判断安全帽佩戴情况,对算法中候选框、卷基层、输入端和量化方法进行改进.通过与其他安全帽佩戴检测方法进行试验对比分析,改进后的算法可以提高识别精度与速度,更好满足实时监控的需求.     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽，提出了一种改进的Yolov4算法．首先，针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题，自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后，为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率，设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征，加强待检测目标的特征纹理，使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤，加强或抑制特征图上的每一像素点，使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛，使用解耦合的检测头替换原Yolov4中的耦合检测头，使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力，提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明，该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽，准确率达到了95.1%．相比于原Yolov4模型，该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

基于改进YOLOv5的电动摩托车驾驶人头盔检测方法

随着经济的快速发展及低碳环保出行方式的普及,电动摩托车投入量逐年上升,但由此带来的安全隐患也随之上升.针对传统的人工检查骑手是否规范佩戴安全帽耗时、耗力且存在漏检等问题,提出一种基于改进YOLOv5的头盔检测算法.首先,针对摩托车头盔大小尺寸不一的问题,使用K-means++算法重新设计初始锚框,增加了网络收敛速度;其次引入坐标注意力机制(Coordinate Attention),增强网络学习特征的表达能力;最后,引入α-IoU损失函数提高目标检测精度.实验表明,改进的YOLOv5模型的mAP达到98.83%,比YOLOv5的平均精度提升了5.29%,符合在道路复杂环境下对电动摩托车驾驶人头盔检测的要求.     

基于YOLO改进算法的安全帽和口罩佩戴自动同时检测

针对工地、危险区域等场景需要实现同时佩戴安全帽与口罩的自动检测问题,提出一种改进的YOLOv3算法以提高同时检测安全帽和口罩佩戴的准确率。首先,对网络模型中的聚类算法进行优化,使用加权核K-means聚类算法对训练数据集聚类分析,选取更适合小目标检测的Anchor Box,以提高检测的平均精度和速度;然后,优化YOLO网络内部的Darknet特征网络层,将4倍降采样提取的特征图进行2倍上采样,再与2倍降采样进行卷积融合,与4倍降采样、8倍降采样以及16倍降采样一同输送到后续网络中,来达到降低小目标的漏检概率。实验结果表明:改进后的算法同时检测安全帽和口罩佩戴的平均准确率比原算法提高了11.3%。     

改进YOLOv5s算法在非机动车头盔佩戴检测中的应用

针对现有非机动车头盔佩戴检测算法在车流密集场景中存在漏检,对佩戴其他帽子存在误检的问题,提出一种改进YOLOv5s(you only look once version5)的头盔佩戴检测算法YOLOv5s-BC。首先,采用软池化替换特征金字塔池化结构中的最大池化层,以放大更大强度的特征激活;其次,将坐标注意力机制和加权双向特征金字塔网络结合,搭建一种高效的双向跨尺度连接的加权特征聚合网络,以增强不同层级之间的信息传播;最后,用EIoU损失函数优化边框回归,精确目标定位。实验结果表明：在自制头盔数据集上,改进后的算法的平均精度(mAP)可达98.4%,比原算法提高了6.3%,推理速度达到58.69帧/s,整体性能优于其他主流算法,可满足交通道路环境下头盔佩戴检测的准确率和实时性要求。     

轻量化YOLOv4的安全帽佩戴检测方法

为了平衡深度学习网络在网络深度、模型效果和易用性之间的关系,针对安全帽佩戴检测,提出一种基于轻量化模块的改进YOLOv4网络。在主干网络中,采用深度可分卷积和压缩激励机制所组成的模块替换残差块,在不进行内部堆叠的情况下,减少网络的深度和参数量;在聚合网络中,采用反向注意力机制模块增加目标物体的显著信息,使网络获取的特征包含更丰富的细节信息。在公开的安全帽佩戴图像数据集上进行的实验表明,提出方法的模型大小为106.4 M,相比原网络减少了149.9 M,网络检测的平均精确度均值比原网络有所提升,验证了轻量化目标检测方法及其在安全帽检测应用中的有效性。     

复杂交通环境下二轮机动车乘员头盔检测算法

针对现有二轮机动车乘员头盔检测算法在目标密集分布、随机遮挡等情况下效果较差且难以在边缘设备上应用的问题,制作了具有针对性的数据集,对比现有模型后,以YOLOv7为参考提出一种复杂交通环境下二轮机动车乘员头盔检测算法.首先,采用EfficientNet-B3作为主干网络,可提高特征提取能力且更为轻量化;其次,将增大感受野模块(RFB)引入特征融合结构中,以增大模型感受野,提升小目标头盔检测能力;最后,在检测头嵌入SimAM机制,在不增加参数的前提下提高算法精度.结果表明：相较于YOLOv7,文中算法的准确率、召回率和平均准确率分别提高了2.84%,2.26%和3.26%,参数量和运算量分别为YOLOv7的33.1%,23.5%,可实现当前主流模型算法的最佳检测性能和效率;在NVIDIA Jetson Nano开发板上的处理速度达到47.58 F·s^-1,可满足边缘设备部署需求.     

基于改进YOLOv3网络的卡尔曼社交距离检测与追踪

为了预防新冠肺炎的传播,在佩戴口罩的同时,保持一定的社交安全距离是必要的。为解决现有的目标检测算法在社交距离检测中无法同时满足检测的实时性、准确性以及在复杂场景中存在遮挡、小尺度目标等问题,提出基于YOLOv3的改进算法DPPY(Dilated Pyramid-Pooling with YOLOv3)。首先使用空洞卷积参与到YOLOv3的核心图像处理结构中,然后引入密集型连接网络进一步融合不同层之间的连接,并且在这基础上还模仿了空间金字塔结构处理输入数据的尺寸问题,最后将这些处理结果一起与待追踪物体与彼此间的前后位置进行更好的关联并选用卡尔曼滤波器这个工具来更好地处理。若行人彼此间靠的过于紧密,则标红发出警报,以便更好地提醒相关人员注意。结果表明：与传统的YOLOv3算法相比,DPPY算法检测速度更快,检测精度更高。检测速度达到了34帧/s,平均准确率(Average Precision, AP)提高了9.1 %,并且在大、中、小目标检测中平均准确率均值(mean Average Precision, mAP)分别提高了7.8 %、8.2 %、8.9 %。     

基于深度学习的冶炼工人安全着装监测系统

为解决铜冶炼作业过程中工人安全着装穿戴不规范导致的安全生产问题,设计一种基于深度学习的冶炼工人安全着装监测系统。首先,在充分对比实验的基础上,选择准确性高且满足实时性要求的YOLOv5l作为工人安全着装目标检测模型,实验结果表明mAP@0.5、F1-Score分别为84.3%、90.8%,平均单帧检测时间为13 ms;其次,设计基于时空关系分析的工人安全着装推理算法,依据监测结果进行时空关系分析,实现对工人安全着装穿戴不规范现象的智能分析报警;最后,将YOLOv5l部署到DeepStream框架中结合推理算法构建安全着装监测系统,实现对违规现象声光报警、录制违规视频、上传移动端显示报警详情。经生产现场验证,系统误检率为4.8%、漏检率为2.7%,可有效提高铜冶炼安全监管水平。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于改进Mask R-CNN模型的电力场景目标检测方法

为了解决电力施工现场中安全帽佩戴情况以及危险区域行人入侵检测问题,提出一种基于改进Mask R-CNN模型的目标检测方法。首先依据迁移学习策略对Mask R-CNN主干网络进行参数初始化,以提取图像基本特征;然后引入特征金字塔结构进行自下而上的特征图提取,完成多尺度特征融合;接着,通过多尺度变换方法对区域推荐网络进行调整,获取锚点进行回归计算完成检测实验;最终对结果进行分析评价,多目标平均准确率达到了95.22%。将改进后的Mask R-CNN模型用于监控视频分析,针对监控视频像素过低问题,加入拉普拉斯算法锐化边缘,精准率提高到90.9%,验证了拉普拉斯算法对低质量监控视频检测的有效性。     

R-YOLO轨道人员目标检测模型

针对现有铁路人员入侵识别准确率不高、实时性较差的问题，在YOLOv4模型的基础上提出一种R-YOLO轨道人员目标检测模型。首先，用轻量级骨干网络ResNet50代替原有的CSPDarknet53网络，利用深度可分离卷积替代PANet中的标准卷积，减少网络层数以及模型体积，加快模型的识别速度。其次，在加强特征提取网络的3个特征层分别加入有效通道注意力模块，采用K-means++聚类算法重新对数据集进行聚类和分析，提高目标检测模型的精度；在模型训练方面，采用迁移学习和混合数据集联合训练，解决人员识别精度不理想以及误检漏检等问题。最后，利用R-YOLO轨道人员目标检测模型对真实铁路人员入侵数据集进行测试。结果表明，R-YOLO模型在真实铁路人员入侵数据集上的平均识别精度达到了92.12%,较传统YOLOv4算法高出1.89%,帧速率由38.74 f·s^-1提升到47.73 f·s^-1。R-YOLO模型部分解决了铁路入侵人员误检漏检问题，提高了铁路人员入侵识别的实时性和准确率，为铁路安全运行提供了保障。     

改进的YOLOv4肺结节检测算法

针对目标检测YOLOv4算法在肺结节检测中存在的小目标漏检和肺结节位置失真等问题,设计了一种改进的YOLOv4肺结节检测算法.在原始YOLOv4网络的基础上,将特征融合网络的上采样过程替换为双线性插值法,并采用张量堆叠的方法使顶层的语义信息与底层的位置信息形成更高通道的特征张量.实验结果表明,与原始的YOLOv4算法相比,改进的YOLOv4算法在公开数据集LUAN16上的平均精确度与预测速度分别提高了4.54%和28.1%,可视化结节位置表达更精准.     

基于改进YOLOv7的道路裂缝和坑洞检测算法

道路裂缝和坑洞的检测是道路安全检查中的重要部分。针对道路实时检测中存在的漏检、错检等问题,本文提出一种基于改进YOLOv7的道路裂缝和坑洞检测算法。先将裂缝分为纵向、横向和网状裂缝,再使用可变形卷积(Deformable Convolutional Networks, DCN)替换原YOLOv7中特征提取网络里的卷积,使得形状差异较大且不规则的裂缝形状特征得到完整提取,提升裂缝的准确度;针对获取的图像中坑洞目标较小不易发现问题,通过先将边界框建模为高斯分布,再使用基于Wasserstein距离(Normalized Wasserstein Distance, NWD)的新的度量标准的小目标检测评估方法,提高坑洞的检测精度。实验结果表明,改进后的算法较原YOLOv7算法检测精度提高了4.1%,同时检测速度提高了17%,表现出更出色的检测效果。