改进YOLOv5适应安全帽佩戴与口罩佩戴检测应用的算法

为实现自然场景下对安全帽以及口罩佩戴更高效地检测,基于深度学习YOLOv5算法提出了一种改进的算法模型YOLOv5+.对于目标检测任务而言,通常是在较大的特征图上去检测小目标.考虑到所检测对象多为小尺度目标,因此当输入图像尺寸默认为640×640像素时,通过在原算法检测层中增加大小为160×160像素的特征图,并选用CIoU(Complete-IoU)作为损失函数,以实现对安全帽佩戴以及口罩佩戴更有效地检测.实验结果表明,在安全帽佩戴和口罩佩戴数据集上,YOLOv5+网络模型的平均检测精度(mAP-50)分别达到93.8％和92.3％,相比原算法均有所提高.此方法不仅满足了实时性检测的速度要求...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	测试科学与仪器 2023, Vol.14 (4), p.463-472
Hauptverfasser:	张又元, 杨桂芹, 刁广超, 孙存威, 王小鹏
Format:	Artikel
Sprache:	chi
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Beschreibung
Zusammenfassung:	为实现自然场景下对安全帽以及口罩佩戴更高效地检测,基于深度学习YOLOv5算法提出了一种改进的算法模型YOLOv5+.对于目标检测任务而言,通常是在较大的特征图上去检测小目标.考虑到所检测对象多为小尺度目标,因此当输入图像尺寸默认为640×640像素时,通过在原算法检测层中增加大小为160×160像素的特征图,并选用CIoU(Complete-IoU)作为损失函数,以实现对安全帽佩戴以及口罩佩戴更有效地检测.实验结果表明,在安全帽佩戴和口罩佩戴数据集上,YOLOv5+网络模型的平均检测精度(mAP-50)分别达到93.8％和92.3％,相比原算法均有所提高.此方法不仅满足了实时性检测的速度要求,同时提高了检测的精度.
ISSN:	1674-8042
DOI:	10.3969/j.issn.1674-8042.2023.04.009