相关实验视频
Updated: Jan 13, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
域适应性更快的R-CNN用于从身体和一般图像中识别建筑工地上的非PPE
1Institute for Environmental Design and Engineering, University College London, London, WC1H 0NN, UK. seung-hyun.wang@ucl.ac.uk.
Scientific reports
|January 7, 2026
概括
这项研究通过使用域调整来提高非个人防护设备 (PPE) 检测来提高建筑工人安全. 这种新方法显著提高了识别施工现场安全违规行为的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 职业安全与健康问题 职业安全与健康问题
背景情况:
- 个人防护设备 (PPE) 的合规性对于建筑工地安全至关重要.
- 对于非PPE检测的深度学习模型面临挑战,因为培训数据中不合规实例很少出现.
- 由于安全违规行为的有限的代表性数据集,现有的方法难以准确.
研究的目的:
- 开发一种准确和强大的方法来检测建筑工地上的非PPE实例.
- 通过域调整解决非PPE检测的数据稀缺问题.
- 通过更好地检测安全违规行为来提高工人安全.
主要方法:
- 一个基于域调整 (DA) 的更快的基于区域的卷积神经网络 (Faster R-CNN) 被开发出来.
- 该框架包含具有梯度逆转层的对抗性域分类器,用于域不变特征学习.
- 利用标记施工现场数据和一般背景数据的组合进行培训.
主要成果:
- 增强 DA 的 Faster R-CNN 在未见的施工现场图像上实现了 86.84% 的平均平均精度 (mAP).
- 拟议的方法比传统的监管基线高出14个mAP点.
- 带有数据增强和调整的超参数的ResNet-152骨干产生了最佳性能.
结论:
- 域调整与数据增强相结合,显著提高了非PPE检测的稳定性.
- 开发的方法为现实世界建筑安全监测提供了实用解决方案.
- 这种方法为工业环境中更广泛的安全应用提供了基础.
