-
题名基于改进YOLOv5s的矿工排队检测方法
被引量：6
- 1
-
-
作者
郝明月
闵冰冰
张新建
赵作鹏
吴晨
王欣
-
机构
河南龙宇能源股份有限公司陈四楼煤矿
中国矿业大学计算机科学与技术学院
-
出处
《工矿自动化》
CSCD
北大核心
2023年第11期160-166,共7页
-
基金
国家自然科学基金资助项目(61976217)。
-
文摘
传统的目标检测算法识别矿工排队异常行为时需人工提取特征,检测时间长、检测精度低;基于卷积神经网络的目标检测算法在检测速度和精度上有所提升,但在遮挡、昏暗和光照不均等场景下的检测效果难以保障。针对上述问题,提出了一种改进YOLOv5s(HPI-YOLOv5s)模型,并将其用于矿工排队检测。HPIYOLOv5s模型在YOLOv5s模型的基础上对路径聚合网络(PANet)进行改进,通过删除单个输入边节点、增加双向交叉路径,构建了一种双向交叉特征金字塔网络(BCrFPN)进行多尺度特征融合。鉴于手动设置阈值的标签分配策略鲁棒性不高,在自适应训练样本选择(ATSS)动态设置阈值的基础上,提出动态标签分配策略(ATSS_PLUS),更合理地评估候选样本的质量,动态设定每个真实目标的阈值,具有更高的检测精度和鲁棒性。通过半平面交法计算人脸框与所划定排队区域的相交面积,并将相交面积和人脸框面积之比与设置的阈值比较以判断矿工是否有序排队。实验结果表明:HPI-YOLOv5s模型比YOLOv5s模型的准确率提高了1.9%,权重大小减少了32%,参数量减少了6.9%,检测速度提高了7.8%,且针对遮挡、昏暗、光照不均的矿井图像,能够更准确地识别矿工排队情况。
-
关键词
矿工排队检测
人脸检测
双向交叉特征金字塔网络
特征融合
自适应训练样本选择
动态标签分配
-
Keywords
miner queue detection
face detection
bidirectional cross feature pyramid network
feature fusion
adaptive training sample selection
dynamic label allocation
-
分类号
TD76
[矿业工程—矿井通风与安全]
-
