收藏 分享(赏)

基于S3-YOLOv5s的...井人员防护设备检测算法研究_代少升.pdf

上传人:哎呦****中 文档编号:2367899 上传时间:2023-05-10 格式:PDF 页数:8 大小:2.61MB
下载 相关 举报
基于S3-YOLOv5s的...井人员防护设备检测算法研究_代少升.pdf_第1页
第1页 / 共8页
基于S3-YOLOv5s的...井人员防护设备检测算法研究_代少升.pdf_第2页
第2页 / 共8页
基于S3-YOLOv5s的...井人员防护设备检测算法研究_代少升.pdf_第3页
第3页 / 共8页
亲,该文档总共8页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述

1、收稿日期:2 0 2 2-1 1-0 7.基金项目:重 庆 邮 电 大 学 校 企 合 作 项 目(E 2 0 2 1 2 6 9 S D,E 2 0 2 2 0 2 6 S D).*通信作者:代少升E-m a i l:d a i s s c q u p t.e d u.c n光电技术及应用D O I:1 0.1 6 8 1 8/j.i s s n 1 0 0 1-5 8 6 8.2 0 2 2 1 1 0 7 0 1基于S 3-Y O L O v 5 s的矿井人员防护设备检测算法研究代少升*,曾 奇,黄 炼,陈昌川,陈怡羽,卢正鑫(重庆邮电大学 通信与信息工程学院,重庆4 0 0 0 6 5

2、)摘 要:针对复杂矿井环境下光照度低、目标尺度变化大、目标间遮挡严重,现有的目标检测网络特征提取困难、检测效果差等问题,提出了改进的S 3-YO L O v 5 s的矿井人员防护设备检测算法。在主干网络中加入无参注意力模块(S i mAM),提升网络的特征提取能力;引入尺度均衡特征金字塔卷积,加强多尺度特征融合;最后采用S I o U作为边框回归损失函数并使用K-m e a n s+算法进行先验锚框聚类,提高边框检测精度。实验表明,相比现有的YO L O v 5 s算法,所提算法在所有类别的平均检测精确度从8 9.6 4%提升到了9 2.8 6%,在复杂矿井环境条件下对人员防护设备有优良的检测

3、能力,验证了所提方法的有效性。关键词:矿井环境;防护设备;YO L O v 5 s;注意力机制;尺度均衡中图分类号:T P 3 9 1 文章编号:1 0 0 1-5 8 6 8(2 0 2 3)0 1-0 1 5 3-0 8R e s e a r c ho nD e t e c t i o nA l g o r i t h mo fM i n eP e r s o n n e l P r o t e c t i o nE q u i p m e n tB a s e do nS 3-Y O L O v 5 sD A IS h a o s h e n g,Z E NGQ i,HUANGL i a

4、 n,CHE NC h a n g c h u a n,CHE NY i y u,L UZ h e n g x i n(S c h o o l o fC o mm u n i c a t i o na n dI n f o r m a t i o nE n g i n.,C h o n g q i n gU n i v e r s i t yo fP o s t sa n dT e l e c o mm u n.,C h o n g q i n g4 0 0 0 6 5,C H N)A b s t r a c t:A i m i n ga t t h ep r o b l e m so f l

5、 o wi l l u m i n a t i o n,l a r g e c h a n g eo f t a r g e t s c a l e,s e r i o u so c c l u s i o nb e t w e e nt a r g e t s,d i f f i c u l t f e a t u r ee x t r a c t i o no fe x i s t i n gt a r g e td e t e c t i o nn e t w o r k,p o o rd e t e c t i o ne f f e c t,e t c.i nc o m p l e x

6、m i n ee n v i r o n m e n t,a ni m p r o v e dS 3-YO L O v 5 sm i n ep e r s o n n e lp r o t e c t i o ne q u i p m e n td e t e c t i o na l g o r i t h mi sp r o p o s e d.As i m p l e,p a r a m e t e r f r e ea t t e n t i o nm o d u l e(S i mAM)w a sa d d e dt ot h eb a c k b o n en e t w o r

7、kt o i m p r o v e t h e f e a t u r ee x t r a c t i o nc a p a b i l i t yo f t h en e t w o r k.S c a l ee q u a l i z i n gp y r a m i dc o n v o l u t i o n(S E P C)w a s i n t r o d u c e dt os t r e n g t h e nm u l t i-s c a l ef e a t u r e f u s i o n.F i n a l l y,S I o U w a su s e da st

8、 h ef r a m er e g r e s s i o nl o s sf u n c t i o na n dK-m e a n s+a l g o r i t h m w a su s e df o rp r i o ra n c h o rf r a m ec l u s t e r i n gt oi m p r o v et h ef r a m ed e t e c t i o na c c u r a c y.T h ee x p e r i m e n t a lr e s u l t ss h o w t h a t,c o m p a r e d w i t ht h

9、 ee x i s t i n g YO L O v 5 sa l g o r i t h m,t h ea v e r a g ed e t e c t i o na c c u r a c yo f t h ep r o p o s e da l g o r i t h mi na l l c a t e g o r i e s i s i m p r o v e d f r o m8 9.6 4%t o9 2.8 6%,a n dt h ea l g o r i t h mh a se x c e l l e n td e t e c t i o nc a p a b i l i t y

10、f o rp e r s o n n e lp r o t e c t i o ne q u i p m e n tu n d e rc o m p l e xm i n ee n v i r o n m e n t s,w h i c hv e r i f i e s t h ee f f e c t i v e n e s so f t h ep r o p o s e dm e t h o d.K e yw o r d s:m i n ee n v i r o n m e n t;P P E;YO L O v 5 s;a t t e n t i o nm e c h a n i s m;

11、s c a l ee q u i l i b r i u m0 引言在煤矿作业生产中,安全帽、防护口罩、矿灯、自救器、专业工作服等是生产工作者不可或缺的个人防 护 设 备(P e r s o n a l P r o t e c t i v e E q u i p m e n t,P P E)1。然而,目前大多数矿井人员安全防护设备着装检查采取的仍是常规的人工监管方式,人工成本高,监督不足,数据难以可视化等问题依然存在。随着基于深度学习的目标识别方式广泛应用于校园管理、身份识别、智慧城市等领域,国内外学者也将深度学习的识别应用于施工现场作业人员的安全检测2,在矿井环境中个人防护设备的检测方面具有

12、极大的实用性和可行性。351 半导体光电2 0 2 3年2月第4 4卷第1期代少升 等:基于S 3-YO L O v 5 s的矿井人员防护设备检测算法研究 L i等3提出基于F a s t e rR-C NN网络的变电站环境下安全帽检测方法,并比较了不同主干网络下的预测速度,该文献表明使用A l e x N e t作为主干网络时速度可达2 0 0 M S/F P S,但检测效果不佳,使用R e s n e t 1 0 1作为主干网络时效果有所提升但计算速率下降较大。F u等4提出基于YO L O v 3的矿井环境安全帽检测方法,准确率可以达到8 4.4%,W a n g等5亦将YO L O v

13、 3用于自然场景下的安全帽及工作服检测,mA P最高达9 5%,与F a s t e rR-C NN这种t w o-s t a g e网络模型不同,YO L O只有一个o n e-s t a g e过程,独特的结构使YO L O v 3比其他网络更快6。Z h u o等7提出基于S S D网络模型的煤矿井下人员识别方法,该模型能有效检测煤矿井下人员。L i等8提出基于热红外图像的人员检测YO L O v 4网络,YO L O v 4将主干网络从之前的D a r k n e t 5 3更改为C S P D a r k n e t 5 3,同时采用了一些数据增强技巧,包 括C u t O u t,

14、M i x U p和C u t M i x,性 能 相 比YO L O v 3有一定的提升,且红外图像在一定程度上避免了复杂矿井环境造成的干扰。基于上述分析,受矿井低光照影响,作业环境狭小导致各目标分布集中且目标间尺寸各异,传统目标检测网络在矿井环境人员防护设备检测方面效果不佳。本文基于YO L O v 5 s设计了一种尺度均衡的特征金字塔卷积目标检测网络,首先在主干网络中加入无参注意力模块(AS i m p l e,P a r a m e t e rF r e eA t t e n t i o nM o d u l e,S i mAM)9无参注意力,同时结合多尺度特征融合的思想,将YO L

15、O v 5 s中的H e a d部分重新设计为3层跨越金字塔特征尺度均衡的金字塔卷积(S c a l e-E q u a l i z i n gP y r a m i dC o n v o l u t i o n,S E P C)1 0。采用S I o U L o s s1 1替代C I o U L o s s计算 边 框 损 失,最 后 根 据 数 据 集 特 性 采 用K-m e a n s+聚类出最佳先验锚框参数。改进后的S 3-YO L O v 5 s网络在M I N E WO R K E R数据集中可进一步提高目标检测精度,降低漏检、错检率。1 YO L O v 5 s网络YO L

16、O v 5 s的 网 络 结 构 如 图1所 示,主 要 由B a c k b o n e,H e a d和D i r e c t i o n三部分组成,B a c k b o n e用于提取3层不同尺度的特征金字塔,主要包含C B L,C 3和S P P F模块。C B L模块为复合卷积模块,即包含卷积、B N和S i L u激活函数。C 3结构去掉了B o t t l e n e c k C S P1 2中的1个C o n v卷积,剩下3层C o n v卷积。S P P F结构将原本S P P结构中并行的3路M a x P o o l改为串行的M a x P o o l,在保证性能不下降的同时提升了前向及反向计算速率。H e a d部分采用的是F P N+P AN的特征融合结构,F P N上采样传递高层特征,P AN向下传递低层特征。图1 YO L O v 5 s网络结构示意图2 S 3-YO L O v 5 s网络YO L O v 5 s网络虽然在目标识别精度和识别速度上有较好的性能,但由于煤矿井下环境复杂(潮湿、煤尘大、光线不足且整体偏暗),导致所采集到的图像质量较差且目标的可

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 专业资料 > 其它

copyright@ 2008-2023 wnwk.com网站版权所有

经营许可证编号:浙ICP备2024059924号-2