针对于工业场所中密集场景下安全帽佩戴出现的漏检情况以及提高检测精度,提出了一种基于改进YOLOv5s的工业安全帽检测算法.首先,采用CIOU优化Soft-NMS对密集人群重叠的情况,减少重叠目标的漏检,从而提高了安全帽检测的准确性.其次,在网...针对于工业场所中密集场景下安全帽佩戴出现的漏检情况以及提高检测精度,提出了一种基于改进YOLOv5s的工业安全帽检测算法.首先,采用CIOU优化Soft-NMS对密集人群重叠的情况,减少重叠目标的漏检,从而提高了安全帽检测的准确性.其次,在网络的中间层添加辅助训练头引入丰富的梯度信息,最后,辅助训练头结合Optimal Transport Assignment添加到Loss中,通过最优的目标匹配,减少模型的漏检和误检的情况,从而提升模型的准确率和召回率.实验结果表明,改进后的算法平均精确值(mAP@50-90)值为68.3%,相对于原YOLOv5s算法提升了3.8%,准确率为92.3%,相较于原YOLOv5s算法提高了0.7%.展开更多
精准识别和定位飞机目标是航空安全和信息化战争胜利的关键,针对传统飞机目标识别抗干扰性差,对遮挡、光照、尺度敏感难应对复杂场景需求的问题,提出了一种基于改进YOLOv5的飞机目标检测算法。通过IOU-NWD Similarity Metric for Boundi...精准识别和定位飞机目标是航空安全和信息化战争胜利的关键,针对传统飞机目标识别抗干扰性差,对遮挡、光照、尺度敏感难应对复杂场景需求的问题,提出了一种基于改进YOLOv5的飞机目标检测算法。通过IOU-NWD Similarity Metric for Bounding Boxes策略解决了IOU机制对飞机小目标的标签分配歧义问题;使用GFPN based on NLnet模块完成了“跨层”与“跨尺度”的自适应融合,更加丰富和具有代表性的特征信息;使用soft-NMS方法解决了在目标密集区域中飞机小目标存在的漏检问题。在飞机数据集上进行实验,结果表明:与原始YOLOv5相比,改进后的模型在Precision、Recall、mAP0.5、mAP0.5:0.95分别提高了1.9%、10.4%、3.6%和5.8%。该算法通过针对性的网络调整和模块迁移来提高模型对小型和遮挡的飞机目标的检测效果,并通过实验验证了该算法的优越性,实验结果表明,AIR-YOLO在检测精度和鲁棒性方面优于YOLOv5,解决了原始YOLOv5算法的小飞机目标误检的问题。展开更多
文摘针对于工业场所中密集场景下安全帽佩戴出现的漏检情况以及提高检测精度,提出了一种基于改进YOLOv5s的工业安全帽检测算法.首先,采用CIOU优化Soft-NMS对密集人群重叠的情况,减少重叠目标的漏检,从而提高了安全帽检测的准确性.其次,在网络的中间层添加辅助训练头引入丰富的梯度信息,最后,辅助训练头结合Optimal Transport Assignment添加到Loss中,通过最优的目标匹配,减少模型的漏检和误检的情况,从而提升模型的准确率和召回率.实验结果表明,改进后的算法平均精确值(mAP@50-90)值为68.3%,相对于原YOLOv5s算法提升了3.8%,准确率为92.3%,相较于原YOLOv5s算法提高了0.7%.
文摘精准识别和定位飞机目标是航空安全和信息化战争胜利的关键,针对传统飞机目标识别抗干扰性差,对遮挡、光照、尺度敏感难应对复杂场景需求的问题,提出了一种基于改进YOLOv5的飞机目标检测算法。通过IOU-NWD Similarity Metric for Bounding Boxes策略解决了IOU机制对飞机小目标的标签分配歧义问题;使用GFPN based on NLnet模块完成了“跨层”与“跨尺度”的自适应融合,更加丰富和具有代表性的特征信息;使用soft-NMS方法解决了在目标密集区域中飞机小目标存在的漏检问题。在飞机数据集上进行实验,结果表明:与原始YOLOv5相比,改进后的模型在Precision、Recall、mAP0.5、mAP0.5:0.95分别提高了1.9%、10.4%、3.6%和5.8%。该算法通过针对性的网络调整和模块迁移来提高模型对小型和遮挡的飞机目标的检测效果,并通过实验验证了该算法的优越性,实验结果表明,AIR-YOLO在检测精度和鲁棒性方面优于YOLOv5,解决了原始YOLOv5算法的小飞机目标误检的问题。
