期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于密集小目标识别算法的港口安全帽与工作服识别
1
作者 祝绍嵩 韩卓成 《上海船舶运输科学研究所学报》 2024年第5期45-55,共11页
针对采用YOLOv5_6.0算法采集安全帽与工作服图像存在的目标密集、像素点小、像素色差小和检测难度大等问题,提出一种基于改进的YOLOv5_6.0算法的小目标检测算法。通过优化YOLOv5_6.0算法的边界框回归损失函数改善其对密集小目标特征信... 针对采用YOLOv5_6.0算法采集安全帽与工作服图像存在的目标密集、像素点小、像素色差小和检测难度大等问题,提出一种基于改进的YOLOv5_6.0算法的小目标检测算法。通过优化YOLOv5_6.0算法的边界框回归损失函数改善其对密集小目标特征信息的学习效果;通过增加1层特征提取层提升算法对小目标的检测效果;在算法主干部分添加全局注意力机制(Global Attention Mechanism,GAM)提升算法的整体检测效果;增加第二阶段复检算法对安全帽和工作服目标进行二次复验。在港口环境下采用该算法对包含安全帽和工作服的数据集进行训练,结果显示:改进算法相比原YOLOv5_6.0算法能使安全帽和工作服识别精度均值分别提升5.5%和5.3%;改进算法对安全帽和工作服的平均识别精确率分别达到97%和87%。研究表明,增加网络结构检测层和二阶段复验算法能提升密集场景下小目标识别的精确率和置信度,减少误检和漏检情况,有效满足港口环境下的安全帽和工作服检测需求。 展开更多
关键词 yolov5_6.0算法 边界框回归损失函数 第二阶段复验算法 港口困难场景检测 安全帽 工作服
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部