基于GA-BP的安全带佩戴识别方法

为了避免不规范佩戴安全带行为的发生,进一步提高安全带的佩戴率,提出了一种基于GA-BP的安全带佩戴识别方法.该方法在图像处理技术的基础上,提取安全带极坐标转化后的二值化图像像素值作为表征安全带佩戴状态的特征向量,并通过PCA方法对其进行降维;然后采用BP神经网络算法,建立基于BP神经网络的安全带佩戴识别模型,同时为了提高安全带佩戴识别模型的精度,引入遗传算法对其权值和阈值进行优化,建立基于GA-BP的安全带佩戴识别模型;最后通过具体实例验证.结果表明:该方法合理有效,能较好地对安全带的不同佩戴状态进行识别,具有较好的实用性和推广性.     

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...     

图像识别技术在实验室防疫中的应用研究

佩戴口罩是最有效的阻断病毒传播的方法。高校实验室是重要的教学和科研场所,在新冠疫情防控常态化形势下,口罩的佩戴非常关键。利用安装在实验室中的监控相机,对实验室人员的口罩佩戴情况进行实时智能识别,将有效提升实验室人员佩戴口罩的意识。YOLOv3网络是非常有效的目标检测算法。对该网络进行了改进,使之能有效应用于实验室环境下的口罩检测。     

电力场景下基于RetinaNet的绝缘手套异常状态视觉检测方法

目前,电网对异常状态监测的需求越来越强烈,异常检测可以用于检测电网工作人员是否正确佩戴安全装备,尤其是工作人员在检修电网时,可以避免触电伤害的绝缘手套是否做到正确佩戴仍是需要重视的一大安全问题.遗憾的是,当前绝大多数的电力检测任务是针对安全帽和安全带,并没有针对绝缘手套的研究工作.而RetinaNet目标检测算法能够在...     

基于模糊增强的安全带佩戴识别方法

为了弥补目前安全带佩戴提示系统的不足,提高驾驶员安全带佩戴率,提出一种基于模糊增强的安全带识别方法。该方法首先对采集到的驾驶员图像进行光补偿处理,采用自定义的Canny算子进行边缘检测,再使用Hough变换对处理过的图像进行直线检测和初步判断,对于没有检测到安全带的图像进行模糊增强,采用最大类间方差法选择最佳阈值进行图像分割得到二值化图,再进行直线检测并得到最后结论。实验证明,该方法有效地完成对驾驶员安全带佩戴情况的识别,具有较高的准确率。     

汽车安全带佩戴提醒系统在营运客车上的应用

汽车安全带对乘车人员的安全尤其重要.本文介绍汽车安全带佩戴提醒系统的组成、工作原理及其在营运客车上的应用情况.     

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MobileNet V2的口罩佩戴识别研究

针对目前主流口罩佩戴检测算法均需要对样本进行标注,使用的网络模型对电脑硬件配置要求高,无法适用于便携设备或移动端的问题,提出了一种基于MobileNet V2的口罩佩戴识别方法.首先,对口罩佩戴数据集进行构建,并进行数据扩充;然后,通过搭建MobileNet V2模型实现对口罩佩戴的识别;最后,通过选择合适的评价标准进行结果分析.结果表明:该方法对是否佩戴口罩的检测准确率可达99.83％,对口罩佩戴是否标准的检测准确率可达98.97％.该方法在保证准确率和速度的基础上,减小网络体积,适用性更加广泛.     

无监督数据集子类划分的人脸口罩佩戴识别算法

人脸口罩佩戴识别成为疫情防控的一项重要手段,而目前口罩佩戴检测主要还是通过人工监测,基于深度学习的口罩佩戴检测系统较少,且存在误检、漏检和检测速度慢等问题。针对口罩佩戴检测中不规范佩戴口罩数据集较少,和对检测精度和检测速度要求较高的实际应用需求,从数据集和网络两方面改进人脸口罩佩戴检测方法:通过在无监督自分类方法中引入标签矫正算法对数据集进行子类划分,减少数据集类内差异,提高网络检测精度;调整目标检测网络结构,去除小尺度检测的网络层,提高网络检测速度;引入注意力机制模块,增强网络对细节特征的提取能力,提高网络检测精度。口罩佩戴情况的平均检测精度从79.34%提升到93.12%,检测速度提高了6.4%,设计的网络结构能够满足实际应用的需求。     

基于Mask R-CNN的荧光编码微球图像检测方法

为降低荧光编码微球技术的应用成本,提出了一种基于Mask R-CNN目标检测算法的荧光编码微球图像检测方法.首先基于TensorFlow和Keras深度学习框架搭建Mask R-CNN网络模型,整体网络由特征提取网络,候选区域生成网络和分支处理网络3部分构成;通过有标注定性图像样本集训练网络模型,并使用合成图像实现训练集数据增强;将待检测定性图像样本输入训练完成的网络模型获得定性图像的语义掩膜.实验结果表明,对于单色和双色微球定性实验图像,平均检测准确度分别达94.17%和95.96%,可实现荧光编码微球定性图像的边界框检测、分类以及语义掩膜生成.