亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進Faster R-CNN的小目標(biāo)安全帽檢測算法研究

        2022-10-19 04:53:04朱玉華杜金月劉洋頡永鵬
        電子制作 2022年19期
        關(guān)鍵詞:安全帽特征提取尺寸

        朱玉華,杜金月,劉洋,頡永鵬

        (沈陽工業(yè)大學(xué) 化工過程自動化學(xué)院,遼寧遼陽, 111003)

        0 引言

        安全一直以來是建筑行業(yè)、工業(yè)生產(chǎn)中永恒的話題。根據(jù)大量數(shù)據(jù)統(tǒng)計,建筑行業(yè)大量事故的發(fā)生,通常是人為因素造成的。建筑行業(yè)中最危險的來源是高空墜物,安全帽可以承受外物的撞擊,減少因高空墜物而造成的頭部受傷,對施工人員的安全起著極其重要的作用。在建筑工地上,通常采用人工監(jiān)督的方法判斷工人是否佩戴安全帽,因而存在施工人員作業(yè)范圍廣、易造成在施工現(xiàn)場不能及時追蹤和管理所有工人等問題[1]。因此采用自動監(jiān)控的方法代替人工監(jiān)視,有利于減少疏漏,提高檢測效率,減少人工浪費。

        目標(biāo)檢測結(jié)合了目標(biāo)定位和目標(biāo)識別[2]。近幾年來,目標(biāo)檢測在工業(yè)質(zhì)檢、行人檢測、航空航天等各個領(lǐng)域應(yīng)用廣泛根據(jù)其網(wǎng)絡(luò)結(jié)構(gòu)不同可分為兩類,一類是兩階段目標(biāo)檢測模型如R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]等,其特點是檢測精度高但檢測速度慢;一類是單階段目標(biāo)檢測模型如YOLO[6]、SSD[7]等,其特點是檢測速度快但檢測精度不高,且對小目標(biāo)的檢測效果較差。

        小目標(biāo)具有分辨率低、語義信息匱乏、攜帶信息少等特點。針對目標(biāo)檢測中的小目標(biāo)檢測問題不高的問題,近年來國內(nèi)外大量學(xué)者提出了一系列對小目標(biāo)檢測的研究。趙文清等[8]將SENet和Faster R-CNN相融合,解決了定位不高的問題,根據(jù)絕緣子的尺寸大小,對區(qū)域建議網(wǎng)絡(luò)RPN生成anchor的尺度進行調(diào)整,但是人為的調(diào)節(jié)anchor寬高比不具有普適性;熊俊濤等[9]提出了一種改進的YOLO v3算法,通過增加三次殘差網(wǎng)絡(luò)塊提取特征,對于小目標(biāo)、遮擋圖像的檢測精度高。張炳力[10]等人在RetinaNet的基礎(chǔ)上對損失函數(shù)進行全面優(yōu)化。構(gòu)造了關(guān)聯(lián)交并比的分類損失函數(shù),利用負樣本交并比使網(wǎng)絡(luò)注重于訓(xùn)練難分類負樣本,在定位損失函數(shù)方面,改進了傳統(tǒng)L1損失的歸一化方式,提高了小目標(biāo)檢測能力。王芋人等[11]證明了當(dāng)anchor和標(biāo)注框面積和比例相同時,交并比最大,然后用GMM算法分別對小目標(biāo)數(shù)據(jù)集中的標(biāo)注框的寬高比和面積進行聚類,在Faster R-CNN模型中設(shè)計出對標(biāo)注框適應(yīng)性更強的anchor。

        本文針對小目標(biāo)安全帽的檢測,提出了一種基于Faster R-CNN的改進方法,為了解決主干網(wǎng)絡(luò)VGG16訓(xùn)練時間長,深度大,小目標(biāo)檢測精度差等問題,將ResNet101[12]與FPN特征金字塔進行特征融合替代VGG16,以此來提高小目標(biāo)的檢測精度。根據(jù)安全帽尺寸的大小,對anchor尺寸進行調(diào)整,使之覆蓋所有大小的安全帽。

        1 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)

        Faster R-CNN模型是在Fast R-CNN基礎(chǔ)上設(shè)計出了RPN候選框,極大提升了region proposal質(zhì)量,同時提高了模型的檢測精度,降低了網(wǎng)絡(luò)的冗余,能夠讓目標(biāo)適應(yīng)在不同的場景。Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu),由四部分組成:(1)利用特征提取網(wǎng)絡(luò)VGG16對輸入進行特征提取產(chǎn)生feature map[13]。(2)將產(chǎn)生的feature map傳入RPN網(wǎng)絡(luò)產(chǎn)生建議框,利用全連接層對每個anchor做二分類和位置修正,輸出精確的proposals。(3)采用ROI Pooling使用最大值池化將特征圖上ROI固定為特定大小的特征圖;(4)對候選區(qū)域特征圖進行分類和回歸,得到物體種類和位置。

        2 改進的Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)

        針對現(xiàn)有模型對小目標(biāo)檢出精度不高、魯棒性差等問題,對Faster R-CNN模型進行改進。特征提取網(wǎng)絡(luò)采用ResNet101與FPN特征融合代替VGG16,增強網(wǎng)絡(luò)對小目標(biāo)的檢測能力,提升不同大小檢測目標(biāo)的檢出精度,并根據(jù)安全帽的尺寸設(shè)計anchor的大小,改進后的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        圖1 改進的Faster R-CNN模型結(jié)構(gòu)

        ■2.1 特征提取網(wǎng)絡(luò)

        傳統(tǒng)算法采用VGG16網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò),VGG16網(wǎng)絡(luò)的泛化性很好,但是在小目標(biāo)的檢測中容易出現(xiàn)梯度消失、網(wǎng)絡(luò)深度大、訓(xùn)練時間長、部署耗時大等問題[14]。針對此問題本文引用ResNet網(wǎng)絡(luò),其殘差模塊很好地解決了在訓(xùn)練過程中網(wǎng)絡(luò)退化的問題[15]。計算效率高,ResNet有不同的網(wǎng)絡(luò)層次,常用的有50-layer,101-layer,152-layer。本文選用ResNet101,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

        圖2 ResNet101網(wǎng)絡(luò)結(jié)構(gòu)圖

        為了保證高維度特征,信息不丟失,以及更加突出低維度特征,特征提取網(wǎng)絡(luò)采用ResNet101與FPN特征融合代替VGG16,該網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示,圖中的C1,C2,C3,C4,C5分別對應(yīng)ResNet101網(wǎng)絡(luò)Conv1_x~Conv5_x卷積塊,隨后采用1×1卷積橫向連接與之求和生成新的特征圖M2~M5,最后在合并的新圖上進行3×3卷積以生成最后的特征圖,最終的特征圖記作P2,P3,P4,P5。

        圖3 特征提取網(wǎng)絡(luò)圖

        ■2.2 anchor的設(shè)計

        在Faster R-CNN模型訓(xùn)練中,RPN中anchor尺寸設(shè)計對檢測精度的影響非常大。原始Faster R-CNN對于每個滑動窗口生成3種長寬比{1:1,2:1,1:2}和3種縮放尺度{128×128,256×256,512×512}兩兩組合生成9種不同尺寸的anchor。為了確保模型對于不同位置、大小的識別準(zhǔn)確度。本文將采用{16×16,32×32,64×64,128×128,256×256}作 為anchor的尺寸,長寬比不變。RPN共生成15種尺寸的目標(biāo)框,可以覆蓋安全帽檢測中所有尺寸的目標(biāo)區(qū)域。

        3 實驗及結(jié)果分析

        ■3.1 實驗數(shù)據(jù)

        本文所需的小目標(biāo)數(shù)據(jù)集,部分來自建筑工地現(xiàn)場采集,部分來自網(wǎng)絡(luò)爬蟲。使用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)之前,先對數(shù)據(jù)預(yù)處理,通過反轉(zhuǎn)、加噪聲等方式增強模型的泛化能力,得到5000張圖片。部分圖片如圖4所示,采用Lableme軟件對每張圖片進行數(shù)據(jù)標(biāo)注,最終形成我們的小目標(biāo)安全帽數(shù)據(jù)集,且訓(xùn)練集、驗證集、測試集三者的比例為8:1:1。

        圖4 數(shù)據(jù)集部分圖像

        ■3.2 實驗環(huán)境配置

        本文實驗環(huán)境配置如表1所示,pytorch是在2017年發(fā)布的簡潔靈活的主流深度學(xué)習(xí)框架。pytorch設(shè)計簡潔,代碼易于理解,在很多模型上容易實現(xiàn),且支持GPU,提高了代碼的運行速度。因此本文選擇pytorch框架。

        表1 實驗環(huán)境配置表

        ■3.3 實驗結(jié)果

        本文實驗采用平均精度(AP)和平均精度均值(mAP)作為評價指標(biāo)。為了更好地比較在傳統(tǒng)Faster RCNN 基礎(chǔ)上改進前后的識別效果,驗證ResNet101+FPN作為特征提取網(wǎng)絡(luò)的性能,并確定合適的網(wǎng)絡(luò)層數(shù)。分別采用ResNet50+FPN、ResNet101+FPN、VGG16作為特征提取網(wǎng)絡(luò)進行訓(xùn)練。得到檢測結(jié)果如表 2 所示。

        由表2測試集的對比結(jié)果可以看出,F(xiàn)aster RCNN模型中引入ResNet50+FPN結(jié)構(gòu),安全帽的識別平均精度達到90.9%,平均精度均值達到90.35%,采用ResNet101與FPN進行融合后,識別效果得到明顯提升,平均精度達到90.9%,平均精度均值達到90.9%,相比于傳統(tǒng)VGG16,平均精度提升了6.7%,平均精度均值提高了6.55%,說明提出的ResNet101與FPN融合作為特征提取網(wǎng)絡(luò),提升了特征表達能力,改進的算法是有效的。

        在Faster RCNN訓(xùn)練過程中,將動量參數(shù)設(shè)為0.9,權(quán)重衰減參數(shù)設(shè)為0.0001,學(xué)習(xí)率設(shè)為0.02,訓(xùn)練16000次。其訓(xùn)練總體損失,RPN邊框回歸、分類損失如圖5所示,從圖中可以看出loss曲線在訓(xùn)練初期下降快,迭代16000次后逐漸趨于平緩,并最終穩(wěn)定在0.1附近,說明模型已經(jīng)基本收斂。

        圖5 訓(xùn)練損失變化

        圖6和圖7為安全帽樣本進行測試的結(jié)果示例圖,圖中紅框為帶有類別和概率信息的檢測結(jié)果框。通過對比識別結(jié)果可以看出,本文改進的算法識別出安全帽的精確度更高,定位更加準(zhǔn)確,并且能夠識別出背景復(fù)雜、遮擋、尺寸較小的安全帽。

        圖6 傳統(tǒng)Faster R-CNN識別結(jié)果

        圖7 改進后模型的識別結(jié)果

        4 結(jié)束語

        針對小目標(biāo)安全帽檢測精度低,提出了一種基于改進Faster R-CNN的小目標(biāo)安全帽檢測目標(biāo)檢測算法。特征提取網(wǎng)絡(luò)采用ResNet101與FPN進行特征融合;根據(jù)安全帽尺寸大小的特點,對區(qū)域建議網(wǎng)絡(luò)生成anchor尺度進行調(diào)整,提高了模型的檢測精度,改善小目標(biāo)識別的準(zhǔn)確率。實驗表明安全帽目標(biāo)檢測的平均精度達到90.9%,平均精度均值(mAP)達到90.9%,相比于傳統(tǒng)VGG16,平均精度提升了6.7%,平均精度均值提高了6.55%,且模型有一定泛化能力和魯棒性。

        猜你喜歡
        安全帽特征提取尺寸
        刺猬戴上安全帽
        礦工有無數(shù)頂安全帽
        尺寸
        智族GQ(2022年12期)2022-12-20 07:01:18
        小小安全帽,生命保護傘
        機電安全(2022年4期)2022-08-27 01:59:42
        CIIE Shows Positive Energy of Chinese Economy
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        D90:全尺寸硬派SUV
        Bagging RCSP腦電特征提取算法
        佳石選賞
        中華奇石(2015年5期)2015-07-09 18:31:07
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        日本一道本加勒比东京热| 无码乱肉视频免费大全合集| 级毛片内射视频| 蜜桃久久精品成人无码av| 欧美日韩亚洲国产精品| 久久亚洲伊人| 国产主播一区二区在线观看| 日韩乱码精品中文字幕不卡| 国产精品女同一区二区免| 日韩经典午夜福利发布| 99精品久久精品一区二区| 亚洲午夜精品久久久久久人妖| 好爽受不了了要高潮了av| 国产亚洲精品视频在线| 在线成人影院国产av| 日本无码欧美一区精品久久 | 成人区人妻精品一区二区不卡网站 | 按摩师玩弄少妇到高潮av| 日本最新免费二区| 亚洲色图+国产精品| 在线av野外国语对白| 伊人五月亚洲综合在线| 欧洲多毛裸体xxxxx| 熟女少妇在线视频播放| 欧美国产成人精品一区二区三区| 97色偷偷色噜噜狠狠爱网站97| 国产精品久久熟女吞精| 丁香五月亚洲综合在线| 欧美极品jizzhd欧美| 亚洲AV成人无码国产一区二区| 在线观看免费视频发布白白色| av网站大全免费在线观看| 国产亚洲综合一区二区三区| 精品少妇爆乳无码av无码专区| а中文在线天堂| 一区二区三区中文字幕有码| 丝袜美腿在线观看一区| 熟妇人妻无乱码中文字幕| 国产激情一区二区三区成人免费| 伊人久久大香线蕉综合av| 国产区女主播在线观看|