目前工地安全帽检测任务中基于深度学习的安全帽识别方法由于底层特征缺少语义与全局信息,从而导致误检与漏检的情况发生.为在保证检测网络具备实时性的情况下,使得网络具有较高的监测性能,本文提出一种轻量化超参数卷积神经网络的安全帽检测算法.该算法以RFB-MobileNet网络为基础,在骨干网络中增加多频谱通道注意力网络(Frequency Channel Attention Networks,FcaNet),增强了网络对于不同尺寸目标特征的提取能力,大幅度提升了算法网络的检测精度,实现了常规施工环境下不同形态大小安全帽的识别.此外,本文将网络中感受野(Receptive Field Block,RFB)模块和FcaNet网络中的常规卷积替换为深度超参数化卷积(Depthwise Over-parameterized Convolutional,DO-Conv),在不增加计算复杂性的情况下,进一步提升模型的检测性能.实验结果表明,本文模型(DO-RFB-Mobilenet)的mAP较RFB-MobileNet的mAP提高了7.08％,检测精度达到74.27％,检测速度达到100帧/秒.
NETL
NSTL
万方数据
维普
