科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有安全帽佩戴检测算法对密集目标和小目标存在漏检现象且参数多、计算量大，不适合部署在嵌入式设备端等问题，提出了一种改进的YOLOv5安全帽佩戴检测算法YOLOv5-Q。首先，在原网络80×80的特征图上进行2倍上采样操作形成160×160的特征图，新特征图融合了原模型的3层特征信息，形成四尺度检测，提升了密集目标及小目标的检测精度。其次，采用轻量级的GhostNet替换原YOLOv5的主干网络实现特征提取，降低了网络的参数，可以移植在嵌入式设备端实现目标检测。最后，添加注意力机制CA提升特征图中重要信息的权重，抑制非相关信息的权重，从而提升模型的精度。实验结果表明，YOLOv5-Q的模型大小为26.47 MB，参数量为12 696 640，精度为0.937。与YOLOv5相比，YOLOv5-Q算法的参数量减少了39.12%，模型大小降低了37.2%，但是精度仅降低了1.2%。YOLOv5-Q算法提高了密集环境下小目标的检测精度且满足在嵌入式端部署的需求。
- 出版日期2023
- 单位宁夏大学
