针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3(You Only Look Once)的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-5...针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3(You Only Look Once)的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-53传统卷积,减少特征的丢失,缩减模型参数,提升检测速率;使用多尺度特征检测,增加浅层检测尺度,添加4倍上采样特征融合结构,提高安全帽佩戴检测准确率;优化K-Means聚类算法,获取安全帽佩戴检测的先验框(anchor box),按照预测尺度大小分配适合的anchor,提升模型训练和检测速率。实验结果表明YOLOv3-WH相比YOLOv3,每秒检测帧数(FPS)提高了64%,检测平均精确度(mAP)提高了6.5%,该算法在提升了安全帽佩戴检测速率的同时提升了检测的准确率,对安全帽佩戴检测具有一定的实用性。展开更多
为保证隧道的安全施工及运营,及时掌握隧道变形情况尤为重要。针对传统隧道监控量测方法中存在的测量效率低、精度有限以及需布置监控量测点等问题,引入三维激光扫描技术采集隧道全断面三维数据,通过色谱分析法对整体变形进行定性分析,...为保证隧道的安全施工及运营,及时掌握隧道变形情况尤为重要。针对传统隧道监控量测方法中存在的测量效率低、精度有限以及需布置监控量测点等问题,引入三维激光扫描技术采集隧道全断面三维数据,通过色谱分析法对整体变形进行定性分析,更加直观、自动化地获取各部位变形情况,同时自动处理算法对重点区域进行平面特征拟合获取其形心坐标,通过分析形心位置变化情况定量获取隧道内部变形情况,且变形量测精度达到相关规程要求,同时通过与隧道设计BIM(building information modeling)模型的对比,快速检测施工质量及偏差,研究成果具有重要理论意义及实际价值。展开更多
文摘针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3(You Only Look Once)的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-53传统卷积,减少特征的丢失,缩减模型参数,提升检测速率;使用多尺度特征检测,增加浅层检测尺度,添加4倍上采样特征融合结构,提高安全帽佩戴检测准确率;优化K-Means聚类算法,获取安全帽佩戴检测的先验框(anchor box),按照预测尺度大小分配适合的anchor,提升模型训练和检测速率。实验结果表明YOLOv3-WH相比YOLOv3,每秒检测帧数(FPS)提高了64%,检测平均精确度(mAP)提高了6.5%,该算法在提升了安全帽佩戴检测速率的同时提升了检测的准确率,对安全帽佩戴检测具有一定的实用性。
文摘为保证隧道的安全施工及运营,及时掌握隧道变形情况尤为重要。针对传统隧道监控量测方法中存在的测量效率低、精度有限以及需布置监控量测点等问题,引入三维激光扫描技术采集隧道全断面三维数据,通过色谱分析法对整体变形进行定性分析,更加直观、自动化地获取各部位变形情况,同时自动处理算法对重点区域进行平面特征拟合获取其形心坐标,通过分析形心位置变化情况定量获取隧道内部变形情况,且变形量测精度达到相关规程要求,同时通过与隧道设计BIM(building information modeling)模型的对比,快速检测施工质量及偏差,研究成果具有重要理论意义及实际价值。
