使用 YOLOv5 和集成学习实现实时头盔违规检测
本文提出了一种利用 YOLOv5 目标检测模型实现的实时头盔违规检测系统,该系统用于监督执行头盔法律,有助于提高摩托车安全性。
Apr, 2023
本文提出了一种利用 YOLOv8 单阶段对象检测模型和 few-shot 数据采样策略开发的鲁棒的实时头盔违规检测系统,实验结果表明该系统有效、高效、稳健,可以用于交通监控和执法。
Apr, 2023
通过基于深度学习的方法,本研究提出一种用于识别建筑工人佩戴的安全装备(如头盔、护目镜、夹克、手套和鞋子)的技术。该方法使用 YOLO v7 算法准确地定位这些安全装备,在自定义数据集上进行训练,具有良好的性能和评估结果,并提供了建筑工地安全违规的快速识别方法,对计算机视觉和职场安全领域做出了重要贡献,增加了建筑行业的安全合规性和事故风险降低。
Jun, 2024
通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本,我们的研究项目旨在创建和验证一个先进的深度学习框架,能够处理复杂视觉输入,以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的,在行人识别方面具有很高的准确性和鲁棒性。研究结果表明,该模型能够显著提高交通监控和安全性,成为计算机视觉领域实时可靠检测的重要贡献,并为交通管理系统建立了新的基准。
Apr, 2024
该研究提出了一种利用基于课程学习的目标检测器、梯形物体边界表示和遮挡骑手边界框生成器来高效检测和计数车载摄像头视频中的摩托车驾驶违规行为的方法,并在实验中证明了其优越性。
Apr, 2022
本研究通过评估适用于电动滑板车的前沿目标检测器的效果和效率,建立了首个全面的基准,其中包括 22 种最新的 YOLO 目标检测器,包括 YOLOv3、YOLOv5、YOLOv6、YOLOv7 和 YOLOv8 等五个版本,使用自采集的电动滑板车数据集进行实时交通目标检测。检测的准确性以 [email protected] 的方式进行衡量,范围从 27.4%(YOLOv7-E6E)到 86.8%(YOLOv5s)。所有的 YOLO 模型,尤其是 YOLOv3-tiny,在电动滑板车的实时目标检测方面显示出了具有潜力的前景。本研究的交通场景数据集和软件程序代码都是公开可用的,这将不仅提高电动滑板车的安全性,还为定制解决方案奠定基础,为更安全和可持续的城市微移动交通方式打下坚实的基础。
May, 2024
在这项研究中,我们利用基于 Yolo 的模型用于安全头盔检测,在减少参数和 Flops 计数超过 25% 的同时,实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干,并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块,采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度,在提高准确性的同时,改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应,为安全头盔检测提供了一个全面的框架,达到了在准确性、泛化性和效率方面的卓越性能。
May, 2024
通过监测车辆速度来实现交通安全,本研究集中在对象识别与车辆速度估计的监督学习应用,针对孟加拉国特定的交通条件和安全问题,提出了一种高效可行的解决方案,这项工作对该领域做出了显著贡献。
Jun, 2024
利用计算机视觉和机器学习的方法,本研究论文展示了如何创建强大的算法以识别不同的交通违规行为,包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头,本研究应用 YOLOv5 算法的检测模块来识别交通参与者,如汽车、行人和交通标志,以及 strongSORT 算法进行连续帧间追踪。进一步,通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为,同时,识别模块提取车辆 ID 信息(如车牌号),生成违规通知并发送给相关部门。
Nov, 2023
本文探讨了使用三种最先进的目标检测神经网络在实时应用中用于口罩检测的能力,并在只有 1531 张图片的三个单独的类别的数据集上,通过使用 YOLOv4-tiny 模型获得了 85.31% 和 50.66 的平均精度和秒数,分别是其他最近研究的最佳模型。
Apr, 2023