【技术实现步骤摘要】
基于YOLO
‑
M的安全帽检测算法
[0001]本专利技术属于目标检测
，主要是对安全帽检测中密集安全帽目标进行改进优化。具体是一种基于YOLOv5s进行改进的安全帽检测算法YOLO
‑
M，可应用于目标检测领域。
技术介绍
[0002]安全帽检测是目标检测算法的一个应用。而目标检测算法主要分为两大类:单阶段检测方法和二阶段检测方法。单阶段检测方法直接获得文本类别得分和位置坐标，速度快，但是准确度低。二阶段检测方法首先生成候选框然后再进行精细分类，分两步进行检测，速度，但是准确度高。在机器学习、图像处理等领域取得了广泛研究与应用。
[0003]到目前为止，已经有很多种检测算法被提出。如R
‑
CNN系列算法，SSD算法，YOLO系列算法等。
[0004]2015年，Redmon等
[4]提出了一阶段检测模型YOLO(You Only Look Once)，该网络模型首次将检测任务抽象为回归问题，避免了R
‑
CNN系列中将检测任务...
【技术保护点】
【技术特征摘要】
1.基于YOLO
‑
M的安全帽检测算法，其特征包括以下步骤：步骤1：特征提取阶段：使用MobileNetv3网络作为骨干网络，并引用改进的BiCAM注意力模块；步骤2：目标检测阶段：使用残差网络思想对特征融合阶段进行改进，将传统的Panet同一尺度特征图添加残差边，深层特征可以融合浅层语义特征，使模型能够应对密集安全帽目标的特点；步骤3：损失函数阶段：使用了CIOU取代传统的DIOU损失函数，进一步提高模型精度；步骤4：基于YOLO
‑
M的安全帽检测模型的构建。2.根据权利要求1所述的基于YOLO
‑
M的安全帽检测算法，其特征在于，所述步骤1中，引入MobileNetv3作为骨干网络，结合特征金字塔来提取特征图；同时在融合不同尺度的特征图时添加BiCAM注意力模块通过叠加更多卷积操作来提取更为丰富的特征向量，从而使最后的分类结果更加准确。3.根据权利要求1所述的基于YOLO
‑
M的安全帽检测算法，其特征在于，所述步骤2中，提取到三个特征图之后，在其后面分别连接三个不同尺度的检测模块。每个检测模块都可以看作是一个滑动窗口检测器，在每一层特征金字塔结构上使用一个子网络对每个3
×
3的滑动窗口进行安全帽/非安全帽分类和边界框回归。4.根据权利要求1所述的基于YOLO
‑
M的安全帽检测算法，其特征在于，所述步骤3中，引入...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。