离岸运营商的个人防护设备佩戴和小目标定位检测方法:改进的YOLOv11模型和目标识别

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 职业安全 在职业安全.

背景情况:

• 离岸环境对监控个人防护设备 (PPE) 使用提出了独特的挑战.
• 现有的方法在数据不足,类别不完整和准确性低,特别是对于小型个人防护设备项目而言.
• 准确的个人防护设备检测对于高风险的离岸环境中的操作员安全至关重要.

研究的目的:

• 开发一个改进的深度学习模型,用于在离岸运营商中准确检测个人防护设备.
• 为了应对检测小而容易被忽视的个人防护设备 (PPE) 项目,如耳塞和手套等特定挑战.
• 为了提高个人防护设备的整体可靠性,佩戴状态监测系统.

主要方法:

• 开发了一种改进的YOLOv11模型,集成空间金字塔聚合快速 (SFEAF) 和代币统计自动关注 (TSSA) 模块.
• 为了改进检测能力,纳入了一个标准化的瓦瑟斯坦距离 (NWD) 损失函数.
• 建议将YOLOv11和YOLOv11-Pose结合在一起的级联网络用于增强小目标检测,利用关键点提取和区域精细化.

主要成果:

• 优化的YOLOv11模型实现了所有目标的mAP@0.5增长1.8个百分点.
• 小目标 (耳塞,手套) 的精度提高了高达5.2%.
• 连锁网络显示,小目标的平均失误检测恢复率 (MRR) 为56.64%.

结论:

• 增强的YOLOv11模型显著提高了离岸运营商的个人防护设备检测准确性和可靠性.
• 级联检测方法有效地解决了小型个人防护设备未被检测的挑战.
• 这项研究提供了一种强大的解决方案,用于提高在苛刻的离岸工作环境中遵守安全要求.