基于改进Faster RCNN的安全帽佩戴检测研究

被引：67

作者：

徐守坤 ^{[1
]}

王雅如 ^{[1
]}

顾玉宛 ^{[1
]}

李宁 ^{[1
,2
]}

庄丽华 ^{[1
]}

石林 ^{[1
]}

机构：

[1] 常州大学信息科学与工程学院数理学院

[2] 闽江学院福建省信息处理与智能控制重点实验室

来源：

计算机应用研究 | 2020年 / 37卷 / 03期

关键词：

安全帽佩戴检测; Faster RCNN; 多尺度训练; 在线困难样本挖掘; 多部件结合;

D O I：

10.19734/j.issn.1001-3695.2018.07.0667

中图分类号：

TP391.41 []; TP18 [人工智能理论]; TU714 [安全管理];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题,提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法。在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性,并引入防止正负样本不均衡的在线困难样本挖掘策略,然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标。实验表明,相比于原始Faster RCNN,检测准确率提高了7%,对环境的适应性更强。

引用

页码：901 / 905

页数：5

共 5 条

[1] 复杂场景下基于R-FCN的手势识别
桑农
倪子涵
[J]. 华中科技大学学报(自然科学版), 2017, 45 (10) : 54 - 58
[2] 基于可变形部件模型的安全头盔佩戴检测
贾峻苏
鲍庆洁
唐慧明
[J]. 计算机应用研究, 2016, 33 (03) : 953 - 956
[3] The Pascal Visual Object Classes (VOC) Challenge
Everingham, Mark
Van Gool, Luc
Williams, Christopher K. I.
Winn, John
Zisserman, Andrew
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2010, 88 (02) : 303 - 338
[4] DeCAF:a deep convolutional activation feature for generic visual recognition. Donahue J,Jia Y,Vinyals O,et al. International Conference on International Conference on Machine Learning . 2014
[5] The influence of statistical methods for research workers on the development of the science of statistics. Yates F. Journal of the American Statistical Association . 2012

← 1 →