基于改进YOLOv5s的矿工排队检测方法
郝明月1
闵冰冰2
张新建1
赵作鹏2
吴晨1
王欣1
1.河南龙宇能源股份有限公司 陈四楼煤矿,河南 永城 4766002.中国矿业大学 计算机科学与技术学院,江苏 徐州 221116
摘要：传统的目标检测算法识别矿工排队异常行为时需人工提取特征,检测时间长、检测精度低;基于卷积神经网络的目标检测算法在检测速度和精度上有所提升,但在遮挡、昏暗和光照不均等场景下的检测效果难以保障.针对上述问题,提出了一种改进 YOLOv5s(HPI-YOLOv5s)模型,并将其用于矿工排队检测.HPI-YOLOv5s模型在YOLOv5s模型的基础上对路径聚合网络(PANet)进行改进,通过删除单个输入边节点、增加双向交叉路径,构建了一种双向交叉特征金字塔网络(BCrFPN)进行多尺度特征融合.鉴于手动设置阈值的标签分配策略鲁棒性不高,在自适应训练样本选择(ATSS)动态设置阈值的基础上,提出动态标签分配策略(ATSS_PLUS),更合理地评估候选样本的质量,动态设定每个真实目标的阈值,具有更高的检测精度和鲁棒性.通过半平面交法计算人脸框与所划定排队区域的相交面积,并将相交面积和人脸框面积之比与设置的阈值比较以判断矿工是否有序排队.实验结果表明:HPI-YOLOv5s模型比YOLOv5s模型的准确率提高了 1.9%,权重大小减少了 32%,参数量减少了 6.9%,检测速度提高了 7.8%,且针对遮挡、昏暗、光照不均的矿井图像,能够更准确地识别矿工排队情况.
关键词：矿工排队检测人脸检测双向交叉特征金字塔网络特征融合自适应训练样本选择动态标签分配
分类号：TD76(矿山安全与劳动保护)
资助基金：国家自然科学基金(61976217)
论文发表日期：2023-11-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 160-166 )
英文信息