高精度和轻量级模型用于快速检测安全头盔
Xuejun Jia1,2, Xiaoxiong Zhou1, Chunyi Su1
1College of Electrical Engineering and Control Science, Nanjing Tech University, Nanjing 211816, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究通过优化YOLOv5s模型,提高了工业环境中的安全头盔检测. 改进的模型为实际的安全应用提供了更高的准确性和计算效率.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业安全 工业安全 工业安全
背景情况:
- 准确的安全头盔检测对于工业工作场所的安全至关重要.
- 像YOLOv5s这样的现有模型在复杂的工业环境中面临准确性和计算效率方面的挑战.
研究的目的:
- 显著提高安全头盔检测的准确性和计算效率.
- 为优化用于工业应用的YOLOv5s模型.
主要方法:
- 集成了卷积块注意模块 (CBAM) 来增强特征灵敏度.
- 实施了修改后的惩罚-衰减交叉点在欧盟 (MPDIoU) 损失函数,以改进边界框回归.
- 采用轻量级的MobileNetV3架构,并用CBAM取代SE关注,以减少模型的复杂性.
主要成果:
- 模型参数从15.7 GFLOP减少到5.7 GFLOP.
- 平均精度 (mAP) 从82.34%提高到91.56%.
- 在精度和计算效率方面取得了卓越的性能.
结论:
- 优化的YOLOv5s模型显示了安全头盔检测的显著改进.
- 增强型模型为工业安全监控系统提供了实际价值.
