徐傳運(yùn)，袁含香，李 剛，鄭 宇，劉 歡

重慶理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，重慶 400054

在2019 年，我國建筑工地中物體打擊傷亡事故占所有傷亡事故的比例高達(dá)15.91%[1]。部分原因是作業(yè)人員安全意識(shí)薄弱，未按規(guī)范佩戴安全帽。企業(yè)除了加強(qiáng)宣傳、強(qiáng)制要求外，采用智能化技術(shù)實(shí)現(xiàn)作業(yè)人員安全帽佩戴的精確自動(dòng)化監(jiān)管，也是降低此類事故發(fā)生率的有效手段之一。

隨著深度學(xué)習(xí)方法在安全帽佩戴檢測(cè)中的深入應(yīng)用，安全帽佩戴檢測(cè)精度有較大提升。但是，為了提高檢測(cè)精度，網(wǎng)絡(luò)模型在逐漸加深過程中，參數(shù)量變大，需要的訓(xùn)練樣本數(shù)量也隨之增多。高昂的訓(xùn)練樣本采集和標(biāo)注成本，阻礙了安全帽佩戴智能檢測(cè)方法的進(jìn)一步發(fā)展。因此樣本擴(kuò)充和數(shù)據(jù)增強(qiáng)成為在不增加采集和標(biāo)注成本的情況下，緩解訓(xùn)練樣本不足問題的一種有效解決方案。

數(shù)據(jù)增強(qiáng)通?？煞譃橛斜O(jiān)督增強(qiáng)和無監(jiān)督增強(qiáng)兩類[2]。有監(jiān)督增強(qiáng)又可分為單樣本增強(qiáng)和多樣本增強(qiáng)。單樣本增強(qiáng)即增強(qiáng)操作圍繞著一個(gè)樣本進(jìn)行，常見的有圖像翻轉(zhuǎn)、剪切、變形、縮放、旋轉(zhuǎn)、添加噪聲、圖像模糊等。多樣本增強(qiáng)則同時(shí)使用多個(gè)樣本產(chǎn)生新的樣本，如2017年，Dwibedi等人[3]對(duì)室內(nèi)環(huán)境檢測(cè)，提出Cut-Paste算法實(shí)現(xiàn)不同實(shí)例目標(biāo)和場(chǎng)景的組合，從而得到新的合成數(shù)據(jù)。同年，Zhang 等人[4]提出的Mixup 算法在成對(duì)樣本及其標(biāo)簽的凸組合上訓(xùn)練神經(jīng)網(wǎng)絡(luò)，增強(qiáng)了訓(xùn)練樣本之間的線性表達(dá)，將CIFAR-10 數(shù)據(jù)集上的錯(cuò)誤率降低了1.5%；2018 年，Inoue 等人[5]提出sample-pairing 算法，從訓(xùn)練集中隨機(jī)抽取兩張圖像，分別經(jīng)過單樣本增強(qiáng)處理后經(jīng)像素取平均值而疊加合成一個(gè)新的樣本，將CIFAR-10 數(shù)據(jù)集上的錯(cuò)誤率從8.22%降低到6.93%；2019 年，Hussein 等人[6]提出的SMOTE 算法為解決樣本類別不平衡問題，對(duì)少數(shù)類樣本進(jìn)行分析并使用聚類算法根據(jù)少數(shù)類樣本人工合成新樣本添加到數(shù)據(jù)集中，一定程度上增加了少數(shù)類的樣本數(shù)量；張家偉等人[7]同樣使用此種方法提高了少數(shù)類樣本分類的準(zhǔn)確性；2020年，Bochkovskiy等人[8]提出的YOLO v4中則使用Mosaic方法將隨機(jī)生成的四張圖片進(jìn)行拼接，以增加訓(xùn)練數(shù)據(jù)的多樣性。無監(jiān)督數(shù)據(jù)增強(qiáng)算法可分為：（1）利用模型學(xué)習(xí)數(shù)據(jù)的分布，隨機(jī)生成與訓(xùn)練數(shù)據(jù)集分布一致的圖像數(shù)據(jù)，如2020 年，杜卉然等人[9]采用鄰域差分濾波器和生成對(duì)抗網(wǎng)絡(luò)（GAN）相融合的方法，對(duì)工業(yè)產(chǎn)品數(shù)據(jù)集進(jìn)行樣本重建；同年，孫曉等人[10]利用生成器由某一表情下的面部圖像生成同種靜態(tài)圖像數(shù)據(jù)的增強(qiáng)方法。（2）通過模型學(xué)習(xí)適合當(dāng)前任務(wù)的數(shù)據(jù)增強(qiáng)方法，如2019 年，Google 提出的自動(dòng)選擇最優(yōu)數(shù)據(jù)增強(qiáng)方案即AutoAugment[11]算法，在CIFAR-10 數(shù)據(jù)集上誤差降低了0.65%。

在前期實(shí)驗(yàn)中，本文嘗試采用以上算法對(duì)安全帽數(shù)據(jù)進(jìn)行擴(kuò)充。其中，基于Mosaic 的增強(qiáng)方法未能提高安全帽佩戴的檢測(cè)精度；基于GAN 的增強(qiáng)方法需要大量數(shù)據(jù)來擬合樣本的分布，且不能任意改變圖像中目標(biāo)的數(shù)量、大小和位置，因此不適合用于安全帽佩戴檢測(cè)任務(wù)；基于Cut-Paste[3]的增強(qiáng)方法需要把訓(xùn)練集中的目標(biāo)進(jìn)行精細(xì)分割，標(biāo)注成本太高；基于sample-pairing的增強(qiáng)方法能提高安全帽佩戴的檢測(cè)精度，但效果并不理想，精度還需進(jìn)一步提升，相關(guān)結(jié)果也在實(shí)驗(yàn)部分進(jìn)行了闡述。

因此本文針對(duì)安全帽數(shù)據(jù)集樣本偏少而導(dǎo)致網(wǎng)絡(luò)檢測(cè)精度較低的問題，采用有監(jiān)督的多樣本增強(qiáng)方法，提出一種基于場(chǎng)景增強(qiáng)（scene-augment，SA）的樣本擴(kuò)充算法。該算法將從訓(xùn)練集中隨機(jī)提取前景圖像，對(duì)其中小目標(biāo)進(jìn)行剪切、隨機(jī)縮放后，粘貼到隨機(jī)選擇的另一源場(chǎng)景圖像的任意位置，以較小的成本擴(kuò)展出大量的可訓(xùn)練數(shù)據(jù)。另外，本文還將SA算法添加到Y(jié)OLO v4網(wǎng)絡(luò)模型（該組合稱為YOLO v4（SA））中，對(duì)HelmetWear[12]數(shù)據(jù)集（HW）進(jìn)行安全帽佩戴檢測(cè)。實(shí)驗(yàn)表明，該方法相比其他學(xué)者在HW數(shù)據(jù)集上的測(cè)試結(jié)果，檢測(cè)精度得到了進(jìn)一步提升。

1 場(chǎng)景增強(qiáng)

場(chǎng)景增強(qiáng)是指把訓(xùn)練數(shù)據(jù)中的前景和背景抽取出來，將二者隨機(jī)組合以構(gòu)建出數(shù)據(jù)集中原本不存在的場(chǎng)景，可以應(yīng)用于訓(xùn)練樣本不足或訓(xùn)練樣本分布不均勻的情況。

本文使用HW數(shù)據(jù)集進(jìn)行安全帽佩戴檢測(cè)實(shí)驗(yàn)，訓(xùn)練集有2 272 張圖像，參照MS COCO[13]數(shù)據(jù)集中按面積大小對(duì)不同尺度目標(biāo)的定義見表1，統(tǒng)計(jì)出HW 數(shù)據(jù)集內(nèi)的小、中、大目標(biāo)的數(shù)量分別為285 例、2 736 例、4 134例，其中目標(biāo)分為不戴安全帽和戴安全帽兩類，分別使用0、1標(biāo)注。

表1 HW數(shù)據(jù)集中目標(biāo)數(shù)量統(tǒng)計(jì)Table 1 Statistics of number of targets in HW dataset

本文針對(duì)上述兩種問題提出了一種簡(jiǎn)單有效的解決方案，即將隨機(jī)抽取的前景圖像內(nèi)的中小目標(biāo)剪切、隨機(jī)縮放后，粘貼到另一源場(chǎng)景圖像的任意位置上，構(gòu)建出新的增強(qiáng)場(chǎng)景，如圖1所示。粗略估算，HW數(shù)據(jù)集增強(qiáng)后的場(chǎng)景圖像可以多達(dá)500萬張，能極大豐富訓(xùn)練樣本的多樣性。實(shí)驗(yàn)結(jié)果表明，該算法結(jié)合YOLO v4網(wǎng)絡(luò)模型能夠穩(wěn)定提升安全帽佩戴檢測(cè)模型的精度。

圖1 場(chǎng)景增強(qiáng)Fig.1 Scene augment

場(chǎng)景增強(qiáng)能構(gòu)建出新的場(chǎng)景，但是會(huì)帶來以下三個(gè)新的問題：（1）粘貼目標(biāo)可能會(huì)遮擋源場(chǎng)景圖像中的目標(biāo)；（2）隨機(jī)粘貼可能導(dǎo)致粘貼位置周圍像素梯度差較大，目標(biāo)不能無痕的融入到背景中；（3）過多的復(fù)制樣本可能導(dǎo)致模型過擬合。

針對(duì)第一個(gè)問題，本文分析了四大類共14 種不同的遮擋情況，并對(duì)每種遮擋情況進(jìn)行處理。如圖2 所示，其中B 為前景圖像中的目標(biāo)，A 源場(chǎng)景圖像中的目標(biāo)。第一類遮擋情況中，B在A的4個(gè)角的位置上遮擋，為了保持邊界框的完整性，此標(biāo)注框不予以處理；在第二及第三類遮擋情況中，B 對(duì)A 的4 條邊分別產(chǎn)生了部分及全部遮擋，為保留這兩者中較大目標(biāo)的個(gè)體完整性，因此刪除較小目標(biāo)被遮擋的部分；第4 類遮擋情況中，B 完全遮擋了A，A 在增強(qiáng)的場(chǎng)景中沒有任何顯示，因此舍棄目標(biāo)B；當(dāng)B 的面積較A 目標(biāo)較小時(shí)，能夠模擬現(xiàn)實(shí)中目標(biāo)正常遮擋情況，因此保留B目標(biāo)。

圖2 4類共14種不同的遮擋情況Fig.2 Four types of 14 different occlusion situations

針對(duì)第二個(gè)問題，文獻(xiàn)[3]證明了目前的檢測(cè)器相對(duì)于全局場(chǎng)景布局更加關(guān)注局部區(qū)域的特征，例如安全帽檢測(cè)器主要關(guān)注工作人員的視覺外觀及與背景的融合，而不是在場(chǎng)景中出現(xiàn)的位置（如天上或地面）。同樣，文獻(xiàn)[8]中提出的Mosaic方法，對(duì)于拼接處像素梯度突變的情況并未做任何處理，且在MS COCO數(shù)據(jù)集上檢測(cè)精度提升了0.5個(gè)百分點(diǎn)。像素突變對(duì)檢測(cè)模型的訓(xùn)練是個(gè)不利因素，但現(xiàn)有的研究成果和本文的實(shí)驗(yàn)結(jié)果表明，像素突變對(duì)模型檢測(cè)精度的影響是有限的，場(chǎng)景增強(qiáng)對(duì)檢測(cè)精度的提升足以抵消其不利影響。

針對(duì)第三個(gè)問題，在使用場(chǎng)景增強(qiáng)時(shí)需要控制增強(qiáng)的強(qiáng)度，以保證模型在不發(fā)生過擬合的情況下，提高網(wǎng)絡(luò)的檢測(cè)精度。不同增強(qiáng)強(qiáng)度的對(duì)比實(shí)驗(yàn)分析將在第3章中詳細(xì)闡述。

在安全帽佩戴檢測(cè)應(yīng)用中，目標(biāo)可以出現(xiàn)在施工場(chǎng)景中的任意位置，即不對(duì)目標(biāo)的位置施加約束，不僅能擴(kuò)大安全帽佩戴檢測(cè)技術(shù)的應(yīng)用范圍，也能提升檢測(cè)方法的魯棒性。在提出的場(chǎng)景增強(qiáng)方法中，我們假設(shè)檢測(cè)目標(biāo)可以以任意大小的形態(tài)出現(xiàn)在任意場(chǎng)景中的任意位置。以上假設(shè)使得增強(qiáng)場(chǎng)景和真實(shí)的安全帽佩戴檢測(cè)場(chǎng)景更加一致，從而提高檢測(cè)模型在真實(shí)應(yīng)用場(chǎng)景中的檢測(cè)精度，也能提高模型的魯棒性。

2 場(chǎng)景增強(qiáng)算法

目標(biāo)檢測(cè)模型需要具有平移不變、旋轉(zhuǎn)不變、縮放不變等基本特性，為了訓(xùn)練檢測(cè)模型具有這些特性，需要使用不同位置、不同大小、不同傾斜角度的訓(xùn)練數(shù)據(jù)。場(chǎng)景增強(qiáng)SA（scene-augment）算法對(duì)安全帽佩戴數(shù)據(jù)集中抽取的檢測(cè)目標(biāo)和抽取的背景進(jìn)行組合，以最小的代價(jià)生成大量擁有不同位置、不同大小、不同傾斜角度的檢測(cè)目標(biāo)的場(chǎng)景圖像。

靶向OPN基因shRNA慢病毒載體的構(gòu)建及其對(duì)人肺腺癌細(xì)胞A549侵襲能力的影響 ………………………………………………………………………… 羅 猛，等(9):1012

為保證訓(xùn)練的安全帽佩戴檢測(cè)模型具有較高的泛化能力和魯棒性，在訓(xùn)練模型時(shí)，場(chǎng)景增強(qiáng)的數(shù)據(jù)與未增強(qiáng)的數(shù)據(jù)需要混合使用。實(shí)驗(yàn)結(jié)果表明，過少的增強(qiáng)數(shù)據(jù)不能起到提升檢測(cè)精度的目的，過多的增強(qiáng)數(shù)據(jù)反而會(huì)降低模型的精度。為了控制場(chǎng)景增強(qiáng)的強(qiáng)度，在模型訓(xùn)練的每個(gè)Mini-Batch 中以概率p選擇部分圖片作為源場(chǎng)景圖像，經(jīng)場(chǎng)景增強(qiáng)后替換原始圖片，場(chǎng)景增強(qiáng)后圖片數(shù)量的計(jì)算公式如下：

其中，SUM為使用SA 增強(qiáng)后的圖片數(shù)量，D為訓(xùn)練迭代次數(shù)，BS為每次迭代的batch size大小，p為增強(qiáng)強(qiáng)度。本文中，D為8 000，BS為64，如果p為0.3，那么擴(kuò)充的圖片數(shù)量為153 600張。

綜合以上論述，設(shè)計(jì)出SA 數(shù)據(jù)增強(qiáng)算法。具體實(shí)現(xiàn)如下：

如圖3展示了把SA數(shù)據(jù)增強(qiáng)算法與目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)合的安全帽檢測(cè)框架，訓(xùn)練集中樣本數(shù)據(jù)經(jīng)SA增強(qiáng)后得到新的訓(xùn)練圖片及標(biāo)簽，對(duì)其進(jìn)行基礎(chǔ)變換后再將其送入YOLO v4網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。

圖3 基于場(chǎng)景增強(qiáng)的安全帽佩戴檢測(cè)過程Fig.3 Safety helmet wearing detection process based on scene augment

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)預(yù)處理

在實(shí)驗(yàn)中發(fā)現(xiàn)HW數(shù)據(jù)集中有部分目標(biāo)沒有標(biāo)注，這無疑會(huì)影響安全帽佩戴檢測(cè)模型的性能，為了提高HW數(shù)據(jù)集的質(zhì)量，使用LabelImg工具對(duì)部分遺漏的目標(biāo)進(jìn)行了補(bǔ)充標(biāo)注。經(jīng)過標(biāo)注后的HW 數(shù)據(jù)集標(biāo)識(shí)為HW+，其中，HW+訓(xùn)練集中圖像數(shù)量總和不變，檢測(cè)目標(biāo)增加了570 例，其中小目標(biāo)395 例、中目標(biāo)157 例、大目標(biāo)18 例，測(cè)試集增加了檢測(cè)目標(biāo)102 例，其中小目標(biāo)66例、中目標(biāo)29例、大目標(biāo)7例，如表2所示。表中Δt、Δc分別代表訓(xùn)練集、測(cè)試集中新增的小、中、大目標(biāo)的數(shù)量。圖4 中展示了補(bǔ)充標(biāo)注前后的對(duì)比圖，其中圖（a）、（b）、（c）各列分別為原圖、原始標(biāo)注情況、補(bǔ)充標(biāo)注后的情況。

表2 HW數(shù)據(jù)集補(bǔ)充標(biāo)注后的目標(biāo)數(shù)量Table 2 Number of targets after supplementary annotation in HW

圖4 補(bǔ)充標(biāo)注前后對(duì)比Fig.4 Comparing before and after supplementary annotation

為了驗(yàn)證補(bǔ)充后是否提高了模型的檢測(cè)精度，分別使用HW、HW+訓(xùn)練YOLO v4，并在兩個(gè)數(shù)據(jù)集的測(cè)試集上交叉測(cè)試，結(jié)果見表3。使用HW 訓(xùn)練出的模型的測(cè)試mAP 分別為92.29%、89.21%，使用HW+訓(xùn)練出的模型的測(cè)試mAP 分別為92.86%、91.29%?？v向?qū)Ρ葍山M結(jié)果可知，HW+數(shù)據(jù)集對(duì)每個(gè)測(cè)試集都有相應(yīng)的提高，說明添加標(biāo)簽?zāi)軌蛞欢ǔ潭壬咸岣吣Ｐ偷臋z測(cè)精度。

表3 補(bǔ)充標(biāo)注前后的模型檢測(cè)精度對(duì)比Table 3 Comparison of model detection accuracy before and after supplementary annotation單位：%

3.2 網(wǎng)絡(luò)訓(xùn)練

實(shí)驗(yàn)基于PyTorch 框架實(shí)現(xiàn)，硬件配置為：兩張NVIDIA RTX 2080Ti，配備22 GB 圖形緩存，32 GB 系統(tǒng)內(nèi)存，Intel I9 9900K CPU；軟件配置為ubuntu16.04，64 位操作系統(tǒng)。實(shí)驗(yàn)測(cè)試評(píng)價(jià)指標(biāo)為平均準(zhǔn)確率（average precision，AP），描述了每個(gè)類別準(zhǔn)確率的平均值，其中mAP、APs、APm、APl分別表示AP 的均值和小、中、大3種不同尺度物體的AP 值。

訓(xùn)練樣本采用補(bǔ)充標(biāo)注后的HW+數(shù)據(jù)集，并利用VOC2007數(shù)據(jù)集處理方法將其輸入到Y(jié)OLO v4網(wǎng)絡(luò)模型中分兩階段訓(xùn)練[8]：第一階段凍結(jié)網(wǎng)絡(luò)預(yù)訓(xùn)練權(quán)重只更新檢測(cè)頭的參數(shù)；第二階段更新整個(gè)網(wǎng)絡(luò)的參數(shù)。batch size分別為64、16，訓(xùn)練及測(cè)試圖像大小均為416×416，每個(gè)實(shí)驗(yàn)訓(xùn)練迭代8 000次。表4的結(jié)果展示了分別使用余弦退火（cosine annealingLR）[14]、自適應(yīng)調(diào)整（reduce LROnPlateau）[15]學(xué)習(xí)率下降策略及標(biāo)簽平滑（label smoothing）[16]訓(xùn)練技巧對(duì)安全帽檢測(cè)精度的影響。結(jié)果表明余弦退火、標(biāo)簽平滑對(duì)安全帽佩戴的檢測(cè)精度起到了削弱作用，自適應(yīng)調(diào)整能夠有效提高模型檢測(cè)精度，因此以下實(shí)驗(yàn)將采用自適應(yīng)學(xué)習(xí)率下降策略，且取消標(biāo)簽平滑操作。

表4 模型調(diào)優(yōu)Table 4 Model tuning單位：%

為消除YOLO v4 自帶Mosaic 數(shù)據(jù)增強(qiáng)算法的干擾，接下來的實(shí)驗(yàn)選擇將其剔除，另外為和其他學(xué)者在HW數(shù)據(jù)集上的測(cè)試結(jié)果進(jìn)行對(duì)比，以下將使用HW測(cè)試集驗(yàn)證測(cè)試。

本文還在同樣的實(shí)驗(yàn)環(huán)境下替換多種數(shù)據(jù)增強(qiáng)算法對(duì)HW+訓(xùn)練集進(jìn)行訓(xùn)練從而得到對(duì)應(yīng)的檢測(cè)模型，以便于在HW測(cè)試集上與SA的檢測(cè)結(jié)果進(jìn)行對(duì)比。

3.3 面向小目標(biāo)的場(chǎng)景增強(qiáng)實(shí)驗(yàn)

小目標(biāo)檢測(cè)是計(jì)算機(jī)視覺中最具挑戰(zhàn)性和重要的問題之一，為了驗(yàn)證場(chǎng)景增強(qiáng)在小目標(biāo)檢測(cè)上的有效性，設(shè)計(jì)了面向小目標(biāo)的場(chǎng)景增強(qiáng)實(shí)驗(yàn)。實(shí)驗(yàn)只選擇(xb,yb) 中的小目標(biāo)粘貼到源場(chǎng)景(xa,ya) 中，測(cè)試了Mini-Batch中圖像進(jìn)行SA增強(qiáng)的概率p對(duì)檢測(cè)精度的影響，表5展示了實(shí)驗(yàn)結(jié)果。當(dāng)p=0.3 時(shí)，即10張圖像中有3張進(jìn)行SA增強(qiáng)，在測(cè)試集上檢測(cè)的mAP由93.02%提高到93.41%，其中，小目標(biāo)檢測(cè)的mAP 由33.65%提高到35.09%，由結(jié)果可知，當(dāng)p=0.3 時(shí)，SA增強(qiáng)算法能夠提高模型的檢測(cè)精度，且在小目標(biāo)檢測(cè)上的表現(xiàn)尤為明顯。

表5 小目標(biāo)增強(qiáng)的對(duì)比實(shí)驗(yàn)結(jié)果Table 5 Contrastive experimental results of small target enhancement單位：%

為了驗(yàn)證算法的魯棒性，訓(xùn)練了10 組p=0.3 時(shí)的檢測(cè)模型，并測(cè)試其檢測(cè)精度，實(shí)驗(yàn)結(jié)果參見表6，可知，10 組實(shí)驗(yàn)檢測(cè)精度的平均值為93.42%，標(biāo)準(zhǔn)差為0.07%。從結(jié)果可以看出，場(chǎng)景增強(qiáng)算法能穩(wěn)定提升安全帽佩戴檢測(cè)模型的檢測(cè)精度。

3.4 基于中小目標(biāo)的場(chǎng)景增強(qiáng)實(shí)驗(yàn)

為增強(qiáng)中小目標(biāo)的樣本數(shù)量，嘗試在小目標(biāo)與場(chǎng)景融合的同時(shí)，對(duì)中目標(biāo)采用剪切縮放并融合的方法。實(shí)驗(yàn)結(jié)果見表7，當(dāng)p=0.1 及p=0.3 時(shí)模型檢測(cè)精度均有提升，但隨著p的增大，擴(kuò)充樣本增多，模型過擬合的概率越大，模型檢測(cè)精度逐漸下降。當(dāng)p≤0.3 時(shí)，能夠在保證模型不發(fā)生過擬合的前提下，有效提高模型的檢測(cè)精度，且這種設(shè)置比只融合小尺度目標(biāo)效果更好。

表7 不同概率對(duì)中小目標(biāo)增強(qiáng)的實(shí)驗(yàn)對(duì)比Table 7 Experimental comparison of enhancement of small and medium targets with different probabilities單位：%

圖5 展示了不同安全帽佩戴檢測(cè)方法的檢測(cè)結(jié)果對(duì)比，其中圖（a）、（b）、（c）各列分別為原始測(cè)試圖像、YOLO v4原始模型檢測(cè)結(jié)果、YOLO v4（SA）的檢測(cè)結(jié)果。可以看出，相對(duì)于添加Mosaic的YOLO v4模型檢測(cè)結(jié)果，YOLO v4（SA）模型能更加準(zhǔn)確地檢測(cè)出小目標(biāo)的位置。

圖5 SA算法檢測(cè)結(jié)果對(duì)比Fig.5 Comparison of detection results of SA algorithm

3.5 數(shù)據(jù)增強(qiáng)方法對(duì)比實(shí)驗(yàn)

面向目標(biāo)檢測(cè)的數(shù)據(jù)增強(qiáng)方法有多種，為了驗(yàn)證這些方法對(duì)安全帽佩戴檢測(cè)的有效性，本文將其分別添加到Y(jié)OLO v4 網(wǎng)絡(luò)模型中對(duì)HW+數(shù)據(jù)集進(jìn)行訓(xùn)練并對(duì)實(shí)驗(yàn)結(jié)果對(duì)比分析，結(jié)果如表8。從實(shí)驗(yàn)結(jié)果可見，Mosaic增強(qiáng)[8]、random erasing[17]增強(qiáng)沒有提高安全帽佩戴檢測(cè)的精度，sample pairing[5]增強(qiáng)能提高安全帽佩戴檢測(cè)的精度，但是實(shí)驗(yàn)精度要低于SA增強(qiáng)，進(jìn)一步說明SA算法相比目前主流數(shù)據(jù)增強(qiáng)算法在提升安全帽檢測(cè)精度上具有一定的優(yōu)勢(shì)。

表8 不同數(shù)據(jù)增強(qiáng)算法實(shí)驗(yàn)對(duì)比Table 8 Experimental comparison of different data enhancement algorithms單位：%

3.6 不同模型對(duì)比實(shí)驗(yàn)

圖6 分別顯示了YOLO v2[18]，MD-YOLO v2[12]，YOLO v3[19]，YOLO v4[8]（SA）5 個(gè)框架在HW 測(cè)試集上的測(cè)試結(jié)果。其中MD-YOLO v2的實(shí)驗(yàn)結(jié)果由方明等人[12]提供（是當(dāng)前公開發(fā)布的最好檢測(cè)結(jié)果），其他結(jié)果由測(cè)試得到?？芍?，YOLO v4（SA）相比YOLO v2、MD-YOLO v2、YOLO v3 分別提高了7.29 個(gè)百分點(diǎn)，6.39個(gè)百分點(diǎn)，5.57個(gè)百分點(diǎn)。YOLO v4（SA）方法相比YOLO v4，能夠在參數(shù)量不變的情況下，對(duì)安全帽佩戴檢測(cè)效果有較好的提升。

圖6 不同模型的測(cè)試結(jié)果對(duì)比Fig.6 Comparative test results of different models

4 結(jié)束語

為了解決現(xiàn)有安全帽佩戴數(shù)據(jù)集樣本數(shù)量有限而導(dǎo)致模型檢測(cè)精度較低的問題，本文提出了一種基于場(chǎng)景增強(qiáng)的樣本擴(kuò)充算法并將其應(yīng)用到Y(jié)OLO v4 網(wǎng)絡(luò)模型中對(duì)安全帽佩戴情況進(jìn)行檢測(cè)，結(jié)果表明，合適的場(chǎng)景增強(qiáng)強(qiáng)度結(jié)合YOLO v4 網(wǎng)絡(luò)模型能有效提高檢測(cè)精度。

但由于在場(chǎng)景增強(qiáng)時(shí)，目標(biāo)被粗暴的粘貼進(jìn)源場(chǎng)景圖像中，目標(biāo)和背景的拼接處將會(huì)有較大的梯度突變，這可能會(huì)影響增強(qiáng)數(shù)據(jù)集的訓(xùn)練效果，在未來的研究中，計(jì)劃將目標(biāo)與背景融合成自然的增強(qiáng)場(chǎng)景并提高場(chǎng)景構(gòu)建的隨機(jī)性。