YOLO-GLは,階層的な特徴融合を介して大規模なFOVで効率的なマルチターゲットを検出します

科学分野:

• コンピュータ・ビジョン
• 人工知能
• 産業安全工学

背景:

• 産業用建設現場では,大規模な変動や複数のオブジェクトの検出などの複雑な安全検査課題があります.
• 炎,煙,スタッフの衣装,作業の行動などの重要な安全指標の正確な検出は極めて重要ですが,現在の技術によって制限されています.

研究 の 目的:

• 産業環境における現在の安全検査方法の限界を克服するために設計された強化されたオブジェクト検出ネットワークであるYOLO-GLを提案する.
• 複雑な産業環境における重要な安全指標の検出の精度と信頼性を向上させる.

主な方法:

• YOLO-GLの開発は,マルチスケール機能表示のための注意メカニズムを備えたパラレル化されたローカル・グローバル・マルチレベル・フュージョン・モジュール (C2f_gl) を特徴としています.
• 階層的な機能融合アーキテクチャと,ダイナミックなクロススケールセマンティック最適化のための適応機能融合シャッフリングモジュール (MSF&ACS) の実装.
• 公共のベンチマークと産業用サイトコレクションを組み合わせた複合データセットを用いた広範な実験.

主要な成果:

• YOLO-GLは炎検知において最先端の性能を達成し,mAP@0. 5を3. 5% (70. 8%から74. 3%) とmAP@0. 5: 0. 95を2. 9% (38. 7%から41. 6%) 増加させた.
• このモデルは,毎秒80.59フレームのリアルタイム処理能力を維持している.
• 既存の方法と比較して,複雑な産業環境で優れた強度を示した.

結論:

• YOLO-GLは,産業安全監視のためのオブジェクト検出の重要な進歩を提供します.
• 提案されたアーキテクチャは,建設現場のリアルタイム安全検査に有効で堅牢なソリューションを提供します.
• 機能融合と注意力メカニズムの革新は,挑戦的なシナリオでのパフォーマンスを向上させます.