改进YOLOv5s的安全帽佩戴检测算法研究

TP139.41; 针对安全帽佩戴目标检测算法参数多、推理速度慢以及检测准确率低等问题,提出基于改进YOLOv5s的安全帽佩戴检测算法研究.在主干网络添加坐标注意力机制(coordinate attention,CA),提高模型对关键特征的注意力,更聚焦训练安全帽相关目标特征,提高准确率;在特征提取网络引入结构重参数化技术(RepVGG),并在颈部网络融合鬼影混洗卷积(ghost-shuffle conv,GSConv)和VoV-GSCSP构造Slim-neck,在保证模型检测精度和泛化能力的同时,大幅降低模型参数量;设计使用SIoU优化边界框回归损失函数,提升预测框准确度和加快收敛速度.结果...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 20; pp. 184 - 191
Main Authors 刘雅洁, 伊力哈木·亚尔买买提, 席凌飞, 英特扎尔·艾山江
Format Journal Article
LanguageChinese
Published 新疆大学 电气工程学院,乌鲁木齐 830017 15.10.2023
Subjects
坐标注意力机制
coordinate attention mechanism
YOLOv5s
structural reparameterization
安全帽检测
safety helmet detection
结构重参数化
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2305-0237

Cover

More Information
Summary:TP139.41; 针对安全帽佩戴目标检测算法参数多、推理速度慢以及检测准确率低等问题,提出基于改进YOLOv5s的安全帽佩戴检测算法研究.在主干网络添加坐标注意力机制(coordinate attention,CA),提高模型对关键特征的注意力,更聚焦训练安全帽相关目标特征,提高准确率;在特征提取网络引入结构重参数化技术(RepVGG),并在颈部网络融合鬼影混洗卷积(ghost-shuffle conv,GSConv)和VoV-GSCSP构造Slim-neck,在保证模型检测精度和泛化能力的同时,大幅降低模型参数量;设计使用SIoU优化边界框回归损失函数,提升预测框准确度和加快收敛速度.结果表明:改进算法的速度较原始YOLOv5s模型提高了49.51%,参数大小压缩了75.03%,平均精度均值提高了0.029,具有更好效果.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2305-0237