YOLOV3算法的安全帽检测

2021-09-26 08:19:40安徽理工大学电气与信息工程学院张占康
电子世界 2021年16期
关键词:特征提取实验检测

安徽理工大学电气与信息工程学院 张占康

在工地实际施工中,由于工人未佩戴安全帽而时常发生安全事故,基于此现象提出了一种基于YOLOV3的安全帽检测算法。实验结果表明:YOLOV3算法对佩戴安全帽的准确率达到90.6%,对未佩戴安全帽的准确率达到89.5%,检测速率为23fps。

中国作为基建大国,建筑业事故持续保持在高位,安全帽作为保障工人生命安全的重要保障,务必确保每个工人都佩戴安全帽,但是实际作业时不佩戴安全帽的违规行为时有发生,因此需要对是否佩戴安全帽进行检测。目前针对安全帽的检测分为两大类,一类是传统的机器学习算法,但是传统的机器学习难以在大数据集上训练,精度不高。另一类是深度学习的算法,如R-CNN、Fast R-CNN识别准确度虽有提升,但是其网络结构复杂、内存占用大、检测速度慢。Joseph Redmon陆续发表了YOLOV1、YOLOV2、YOLOV3的目标检测算法,YOLO算法使用深度神经网络对对象进行预测和分类,其主要特点是速度快检测准确率高。YOLOV3使用残差模型和FPN结构来进行多尺度测试,优化了网络结构。综上,本文提出了一种基于YOLOV3的安全帽检测算法。采集数据集、将这些数据集按8:2的比例划分训练集和测试集、用LabelImg对原始数据进行标注、用YOLOV3对训练集进行训练与预测、计算未训练过的300张数据的漏检率、错检率、总错误数和准确率。实验结果表明:YOLOV3算法取得的准确率为90%,检测速率为23fps,达到识别速度快与识别准确率高。

1 YOLOv3的网络结构

YOLOv3的主干结构与特征提取层:

YOLOv3是识别与回归……

登录APP查看全文

猜你喜欢
特征提取实验检测
记一次有趣的实验
做个怪怪长实验
基于Gazebo仿真环境的ORB特征提取与比对的研究
电子制作(2019年15期)2019-08-27 01:12:00
一种基于LBP 特征提取和稀疏表示的肝病识别算法
NO与NO2相互转化实验的改进
实践十号上的19项实验
太空探索(2016年5期)2016-07-12 15:17:55
小波变换在PCB缺陷检测中的应用
基于MED和循环域解调的多故障特征提取
Walsh变换在滚动轴承早期故障特征提取中的应用
轴承(2010年2期)2010-07-28 02:26:12