原文服务方: 计算机应用研究       
摘要:
针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题,提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法.在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性,并引入防止正负样本不均衡的在线困难样本挖掘策略,然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标.实验表明,相比于原始Faster RC-NN,检测准确率提高了7%,对环境的适应性更强.
推荐文章
基于Swin Transformer的YOLOv5安全帽佩戴检测方法
安全帽佩戴检测
YOLOv5
Swin Transformer
Ghost
新型跨尺度特征融合
K-means++
基于深度学习的安全帽检测方法研究
安全帽
不安全行为
深度学习
卷积神经网络
基于Faster rcnn的棉麻纱混纺比自动检测
Faster rcnn
目标检测
棉纤维
麻纤维
混纺比
图像
模型
基于Faster-RCNN的回环检测优化算法
三维重建
同时定位与地图构建
回环检测
神经网络
词袋模型
优化算法
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于改进Faster RCNN的安全帽佩戴检测研究
来源期刊 计算机应用研究 学科
关键词 安全帽佩戴检测 FasterRCNN 多尺度训练 在线困难样本挖掘 多部件结合
年,卷(期) 2020,(3) 所属期刊栏目 图形图像技术
研究方向 页码范围 901-905
页数 5页 分类号 TP391.41
字数 语种 中文
DOI 10.19734/j.issn.1001-3695.2018.07.0667
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 石林 29 75 6.0 7.0
2 徐守坤 常州大学信息科学与工程学院数理学院 68 194 6.0 10.0
3 李宁 常州大学信息科学与工程学院数理学院 30 57 5.0 6.0
5 庄丽华 常州大学信息科学与工程学院数理学院 8 12 2.0 3.0
8 顾玉宛 常州大学信息科学与工程学院数理学院 9 26 3.0 5.0
9 王雅如 常州大学信息科学与工程学院数理学院 2 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (9)
共引文献  (11)
参考文献  (11)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1951(1)
  • 参考文献(1)
  • 二级参考文献(0)
1973(1)
  • 参考文献(0)
  • 二级参考文献(1)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(1)
  • 参考文献(1)
  • 二级参考文献(0)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(4)
  • 参考文献(2)
  • 二级参考文献(2)
2015(2)
  • 参考文献(0)
  • 二级参考文献(2)
2016(5)
  • 参考文献(3)
  • 二级参考文献(2)
2017(2)
  • 参考文献(2)
  • 二级参考文献(0)
2018(2)
  • 参考文献(2)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
安全帽佩戴检测
FasterRCNN
多尺度训练
在线困难样本挖掘
多部件结合
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
论文1v1指导