科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对已有的安全帽检测方法存在的模型参数量大，难以部署在边缘设备上，以及对较小目标检测效果不好等问题，提出一种改进YOLOv4-tiny的轻量级安全帽检测模型。针对小目标丢失过多问题，增加了检测小目标的尺度，提升模型关注小目标的能力。提出了一种轻量级特征融合结构，缓解特征融合部分的语义混叠问题，并且在模型中融入了优化的注意力模块，提升模型捕获上下文信息的能力。针对分类与回归任务之间的冲突，将模型预测头替换为解耦合的预测头，采用并行的卷积分别进行分类与回归任务。将改进的模型命名为HM-YOLO，通过实验验证了HM-YOLO算法的有效性，相比YOLOv4-tiny模型，HM-YOLO模型平均精度提升了14.2个百分点，参数量减少了19%，检测速度为为63 FPS，具有良好的检测精度和实时性，更易于部署在边缘设备上。
- 出版日期2023
