基于R-CNN和YOLOV4的深度学习模型,用于在实时视频中智能检测武器
K P Vijayakumar1, K Pradeep1, A Balasundaram1,2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, India.
Mathematical biosciences and engineering : MBE
|December 21, 2023
概括
这项研究引入了一种自动化武器检测系统,通过克服人类的局限性来提高安全性. YOLOv4模型从监控录像中实现了高准确度的实时武器识别.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 安全系统安全系统
背景情况:
- 人类监控的局限性 (注意力,记忆) 构成安全风险.
- 自动化系统对于关键领域的实时威胁检测至关重要.
- 智能武器检测提高了平民和官员的安全.
研究的目的:
- 开发一个用于实时武器检测的自动化系统.
- 为了识别武器类型和捕捉攻击者的图像进行调查.
- 将系统性能与已建立的模型比较,例如更快的R-CNN和YOLOv4.
主要方法:
- 创建了五种武器类型 (斧头,刀,手枪,步枪,剑) 的定制数据集.
- 拟议的系统是使用此数据集来实施和评估的.
- 性能与基于快速区域的卷积神经网络 (R-CNN) 和YOLOv4模型进行了比较.
主要成果:
- 在GEFORCE MX250 GPU上,YOLOv4模型实现了96.04%的平均精度 (mAP).
- YOLOv4以每秒19 (FPS) 的平均准确率达到了73%.
- 使用YOLOv4的拟议系统的性能优于R-CNN (71%的平均准确率).
结论:
- 在监视中,YOLOv4模型在武器检测方面表现出卓越的性能.
- 自动武器检测显著提高了安全系统的可靠性.
- 开发的系统为实时威胁识别提供了可行的解决方案.
