隧道环境下基于深度学习的轻量级安全帽检测方法

被引：4

作者：

高方玉 ^{[1
]}

解玉文 ^{[2
]}

张正刚 ^{[3
]}

王道累 ^{[3
]}

机构：

[1] 中国电气装备集团有限公司科技创新部

[2] 北京国网富达科技发展有限责任公司

[3] 上海电力大学能源与机械工程学院

来源：

现代电子技术 | 2023年 / 46卷 / 14期

关键词：

安全帽检测; 轻量化卷积模块LW＿Conv; 隧道环境; 改进YOLO＿v3算法; 深度学习; 目标检测;

D O I：

10.16652/j.issn.1004-373x.2023.14.025

中图分类号：

U455.1 [施工管理]; TP391.41 [];

学科分类号：

1201 ; 080203 ;

摘要：

隧道施工现场人员不按规定佩戴安全帽是事故发生的主要原因之一，使用安全帽检测算法能有效监督作业平台上所有人员安全帽佩戴的情况，及时作出风险预警，降低安全事故发生的可能。然而，工业上常用的安全帽检测算法计算复杂度较高，很难适用于隧道环境中的嵌入式移动设备，已有轻量级算法又很难在隧道光线差、背景复杂的条件下保持检测精确度。针对上述问题，文中提出一种基于改进YOLO＿v3的轻量级安全帽检测算法，构建运算量较低的卷积模块LW＿Conv，并以此改造主干网和特征金字塔。实验结果表明，改进算法的FLOPs约为YOLO＿v3的10%，平均正确率（AP）比Tiny＿YOLOv3高2%。

引用

页码：147 / 151

页数：5

共 6 条

[1] 煤矿井下集成学习的安全帽佩戴检测算法
赵艳芹
何东来
朱子寒
[J]. 黑龙江科技大学学报, 2021, 31 (02) : 240 - 246
[2] 施工场景下基于YOLOv3的安全帽佩戴状态检测
韩锟
李斯宇
肖友刚
[J]. 铁道科学与工程学报, 2021, 18 (01) : 268 - 276
[3] 施工作业面安全帽的深度学习检测方法
杨静
张育飞
毛晓琦
[J]. 计算机应用, 2020, 40(S2) (S2) : 178 - 182
[4] 基于卷积神经网络的矿井安全帽佩戴检测
刘欣
张灿明
[J]. 电子技术应用, 2020, 46 (09) : 38 - 42+46
[5] A lightweight Tiny-YOLOv3 vehicle detection approach
Alireza Taheri Tajar
Abbas Ramazani
Muharram Mansoorizadeh
[J]. Journal of Real-Time Image Processing, 2021, 18 : 2389 - 2401
[6] Sarwar Muhammad Bilal,Hanif Muhammad Kashif,Talib Ramzan,Younas Muhammad,Sarwar Muhammad Umer.DarkDetect: Darknet Traffic Detection and Categorization Using Modified Convolution-Long Short-Term Memory[J].IEEE ACCESS,2021

← 1 →