识别安全帽佩戴的轻量化网络模型

摘要：

安全帽佩戴识别是一种分类少的目标检测任务,使用现有精度较高的大型深度学习网络模型来识别安全帽佩戴,存在参数冗余问题且计算较大,不利于部署在计算量有限的嵌入式设备中以适应实际的工地环境.针对以上问题,提出了一种适合部署在嵌入式设备中的轻量化网络模型YOLO-Ghost-BiFPNs3.在YOLOv4的基础上,基于Ghost模块重构新的网络结构并对网络的深度和宽度进行裁剪;设计一种基于通道加权相加的轻量化模块BiFPNs3来替换原来计算量较大的FPN+PAN的结构;采用更容易量化的H-Swish激活函数;在Safety-Helmet-Wearing-Dataset数据集上进行实验,在测试集上,mAP@0.5为91.1％,相较于YOLOv4精度仅损失1个百分点,比轻量化网络模型YOLOv4-Tiny精度高26个百分点.参数量为原来YOLOv4的3％,计算量仅为原来YOLOv4的5.8％.

关键词：目标检测、轻量化网络模型、安全帽佩戴识别、Ghost模块

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：四川省重点研发项目21ZDYF1254

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：149-155