文献类型：期刊文章

作　　者：张家旗[1] 杨波[1] 郭帅龙[1] 马海娟[1] 杨鑫[1]

ZHANG Jiaqi;YANG Bo;GUO Shuailong;MA Haijuan;YANG Xin(School of Electrical Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]重庆科技学院电气工程学院,重庆401331

出　　处：《重庆科技学院学报（自然科学版）》

基　　金：重庆市科学技术局自然科学基金项目“基于注意力机制和深度学习模型的手指静脉活体检测研究”(CSTC2020JCYJMSXM0774)。

年　　份：2024

卷　　号：26

期　　号：2

起止页码：68-75

语　　种：中文

收录情况：CAS、普通刊

摘　　要：针对现有安全帽检测方法普遍存在的复杂场景下小目标检测效果差、容易出现错检漏检情况、鲁棒性较低等问题,提出基于改进YOLOv5的安全帽检测方法。在主干网络中添加SimAM注意力机制,使模型在不额外增加参数的前提下对三维特征点的不同重要性进行表征和强化;在颈部网络中增加小目标检测层,以丰富目标细粒度信息;使用Decoupled-Head代替原模型的YOLOHead模块,将分类、回归任务分离进行。实验结果表明,该方法的平均精度均值达到93.17%,能够满足复杂场景下的安全帽检测要求。

关 键 词：YOLOv5  安全帽检测  小目标  注意力机制  细粒度信息  

分 类 号：TP391.4]