基于轻量化深度学习模型的安全帽检测方法

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 average 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。