Jul, 2023

极端施工条件下的个人防护装备检测

PDF
TL;DR通过结合神经风格迁移（NST）和 YOLOv5 技术，开发了一种稳健的检测模型 NST-YOLOv5，用于在极端建筑条件下进行个人防护装备（PPE）检测，并通过模拟灯光不足、强光、沙尘、雾和雨等五种极端条件赋予该模型极佳的鲁棒性。实验结果表明 NST 在合成极端数据方面具有较高潜力，优于其他传统图像处理算法，并帮助 NST-YOLOv5 在合成和真实极端数据上分别提升了 0.141 和 0.083 mAP_(05:95)，为在极端建筑条件下获取更加稳健的检测模型提供了新的可行方式。
object detectionconstruction safety managementpersonal protective equipmentnst-yolov5extreme construction conditions
发现论文，激发创造
  • 基于 YOLOv7 的深度学习方法用于检测建筑工人的完整安全装备

    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

  • SDNIA-YOLO：极端天气条件下的鲁棒物体检测模型

    通过提出的基于神经风格转换的风格化数据驱动的 YOLO 模型（SDNIA-YOLO），本研究改善了模型的鲁棒性，通过自适应地增强图像质量并从神经风格转换合成的图像中学习与极端天气条件相关的有价值信息，在真实世界的极端雾天和低光条件测试集上，相比基线模型，已开发的 SDNIA-YOLOv3 在至少 15% 的 [email protected] 改进方面取得显著的成果。此外，实验还突出了风格化数据在模拟极端天气条件方面的优异潜力。而开发的 SDNIA-YOLO 在很大程度上保持了原生 YOLO 的优秀特性，如端到端一阶段、数据驱动和快速。

    Jun, 2024

  • 面向个人防护装备检测的边缘云架构

    本文提出了一种在线识别人们佩戴个人防护装备的架构，可用于确保建筑工人的安全，可以在边缘 - 云和仅边缘的两种设置下部署，使用 YOLOX 方法在建筑工地上进行了测试，初步评估表明，对于这种用例，边缘部署是可行的，未来的工作将包括对两种架构变体性能方面进行深入研究和部署。

    Jan, 2023

  • COVID-19 疫情期间实时医用口罩检测的对象检测模型及优化方案综述与实现

    本研究评估了基于卷积神经网络的最基本的目标检测模型在速度 / 准确性权衡方面的性能，并选择了一个高效的模型 YOLOv5 进行实时医用口罩检测的优化，提出了一个基于转移学习的优化模型，在维持相同的平均精度的情况下，其速度超过了 PWMFD 数据集上最先进的模型 SE-YOLOv3 的两倍以上（每秒 69 帧）。

    May, 2024

  • 适用于恶劣天气条件中的对象检测的图像自适应 YOLO

    提出了一种新的图片自适应 YOLO (IA-YOLO) 框架，采用可微分的图像处理 (DIP) 模块设计实现，从而提高在逆境气象条件下的对象检测性能，并且在弱监督学习的情况下，联合学习 CNN-PP 和 YOLOv3。实验结果表明，在雾天和低光场景中，IA-YOLO 方法显示出很好的效果。

    Dec, 2021

  • 基于深度学习的 COVID-19 疫情期间佩戴口罩检测

    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

  • 针对视障人士的户外障碍物检测研究

    深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

    Dec, 2023

  • 基于 YOLOv8 的道路危害的视觉检测：坑洞、下水道盖和人孔

    在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了 YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于 Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数，本研究评估了模型的稳健性和泛化能力，强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。

    Oct, 2023

  • D-YOLO: 逆境天气条件下的稳健物体检测框架

    通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明 D-YOLO 相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。

    Mar, 2024

  • 注意力增强网络与增强的泛化性能更好的 YOLO 算法在安全头盔检测中的应用

    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