改进后的YOLOv5用于跌倒行为检测

作者：张振亚; 何明艳; 王萍

来源：安庆师范大学学报(自然科学版), 2023, 29(01): 72-78.

DOI：10.13757/j.cnki.cn34-1328/n.2023.01.013

• 计算机视觉
• 跌倒检测
• YOLOv5
• α-IoU
• 加权双向特征金字塔
• 卷积块注意力机制

随着全球人口老龄化不断加剧，由于跌倒致死的比例也随之增加，及时发现跌倒行为对降低死亡风险至关重要。针对现有跌倒检测算法在实际应用场景中出现漏检、准确率低等问题，本文将改进后的YOLOv5目标检测方法用于跌倒行为检测。具体改进措施：将YOLOv5的边界框损失函数GIoU更换为α-IoU；引入卷积块注意力机制模块（CBAM），使网络可以更专注地学习跌倒特征；在特征融合层引入加权双向特征金字塔网络结构（BiFPN）以充分利用不同尺度的特征，从而提高检测精度。实验结果表明，改进的YOLOv5模型对跌倒行为的检测精度mAP达到了98.8%，比改进前提高了4%，满足对实际应用场景下跌倒检测的要求。

• 出版日期2023
• 单位安徽建筑大学