-
题名优化聚类和引入CBAM的YOLOv5管制刀具检测
被引量：5
- 1
-
-
作者
张震
陈可鑫
陈云飞
-
机构
郑州大学电气工程学院
郑州大学计算机与人工智能学院
-
出处
《郑州大学学报（工学版）》
CAS
北大核心
2023年第5期40-45,61,共7页
-
基金
国家重点研发计划(2018YFC0824***)
-
文摘
针对传统管制刀具检测方式过度依赖特定设备与环境,目标检测存在适用范围小、抗干扰能力弱、精度低等问题,提出一种优化聚类和引入卷积注意力模块(CBAM)的YOLOv5管制刀具检测方法。首先,通过计算每个点的局部密度和该点与其他具有较高密度点之间的最小距离,绘制决策图并获取聚类中心;其次,计算局部类中所有点与其类中心间的平均距离来提取核心点,并使用全局搜索分配策略将分类点归类;最后,采用统计学习策略分配剩余点,未被处理的点当作噪声点,归入到其最近的类中。采用改进密度峰值聚类算法对管制刀具的边界框聚类进行分析,优化先验框尺寸,提高先验框与目标物体尺寸的匹配度,解决YOLOv5模型中K-means聚类算法聚类效果不稳定以及对大规模数据收敛较慢的问题。此外,将Backbone中的C3模块与CBAM注意力机制相结合,改进为CBAMC3模块,提升模型对目标特征的提取能力,解决YOLOv5算法对小目标检测效果不佳的问题,提高模型精度。实验结果表明:改进后模型YOLOv5-Plus在自定义数据集上的P、R、mAP@0.5、mAP@0.5∶0.95等参数的数值分为98.14%、95.80%、97.56%、76.68%,相比于改进前的YOLOv5模型分别提高了1.64、1.59、1.51、3.26百分点,有效提升了公共区域的管制刀具检测能力。
-
关键词
管制刀具检测
公共安全
目标检测
聚类算法
注意力机制
-
Keywords
controlled knife detection
public safety
target detection
clustering algorithm
attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
