识别安全帽佩戴的轻量化网络模型

doi:10.3778/j.issn.1002-8331.2203-0357

摘要/Abstract

摘要： 安全帽佩戴识别是一种分类少的目标检测任务，使用现有精度较高的大型深度学习网络模型来识别安全帽佩戴，存在参数冗余问题且计算较大，不利于部署在计算量有限的嵌入式设备中以适应实际的工地环境。针对以上问题，提出了一种适合部署在嵌入式设备中的轻量化网络模型YOLO-Ghost-BiFPNs3。在YOLOv4的基础上，基于Ghost模块重构新的网络结构并对网络的深度和宽度进行裁剪；设计一种基于通道加权相加的轻量化模块BiFPNs3来替换原来计算量较大的FPN+PAN的结构；采用更容易量化的H-Swish激活函数；在Safety-Helmet-Wearing-Dataset数据集上进行实验，在测试集上，mAP@0.5为91.1%，相较于YOLOv4精度仅损失1个百分点，比轻量化网络模型YOLOv4-Tiny精度高26个百分点。参数量为原来YOLOv4的3%，计算量仅为原来YOLOv4的5.8%。

关键词: 目标检测, 轻量化网络模型, 安全帽佩戴识别, Ghost模块

Abstract: Helmet wearing recognition is a target detection task with less classification. The existing large-scale deep learning network model with high accuracy is used to identify helmet wearing, which has problems of parameter redundancy and large calculation, which is not suitable for deployment in embedded devices with limited computation to adapt to the actual site environment. To solve these problems, a lightweight network model YOLO-Ghost-BiFPNs3 suitable for embedded devices is proposed.?On the basis of YOLOv4, a new network structure is reconstructed based on Ghost module, and the depth and width of the network are trimmed. BiFPNs3, a lightweight module based on weighted channel addition, is designed to replace the FPN+PAN structure which has a large amount of calculation. A more quantifiable H-Swish activation function is used. Experiments are carried out on the Safety-Helmet-Wearing-Dataset dataset. In the test set, mAP@0.5 is 91.1%, which only loses 1 percentage point of accuracy compared with YOLOv4, and is 26 percentage points higher than the lightweight network model YOLOv4-Tiny. The number of parameters is 3% of that of YOLOv4, and the computational amount is only 5.8% of that of YOLOv4.

Key words: target detection, lightweight network model, helmet wearing identification, Ghost module

胡文骏, 杨莉琼, 肖宇峰, 何宏森. 识别安全帽佩戴的轻量化网络模型[J]. 计算机工程与应用, 2023, 59(13): 149-155.

HU Wenjun, YANG Liqiong, XIAO Yufeng, HE Hongsen. Lightweight Network Models and Applications for Identifying Helmet Wear[J]. Computer Engineering and Applications, 2023, 59(13): 149-155.

参考文献

[1] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：optimal speed and accuracy of object detection[J].arXiv：2004.10934，2020.
[2] LIU W，ANGUELOV D，ERHAN D，et al.SSD：single shot multibox detector[C]//Proceedings of the European Conference on Computer Vision，2016：21-37.
[3] GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2014：580-587.
[4] GIRSHICK R.Fast R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision，2015：1440-1448.
[5] REN S，HE K，GIRSHICK R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[C]//Advances in Neural Information Processing Systems，2015：91-99.
[6] 何之源.高性能嵌入式AI计算平台的人机交互手势控制识别[J].电子技术与软件工程，2022（2）：145-148.
HE Z Y.Human-computer interaction gesture control recognition based on high-performance embedded AI computing platform[J].Electronic Technology and Software Engineering，2022（2）：145-148.
[7] 卢迪，马文强.基于改进YOLOv4-tiny算法的手势识别[J].电子与信息学报，2021，43（11）：3257-3265.
LU D，MA W Q.Gesture recognition based on improved YOLOv4?Tiny algorithm[J].Journal of Electronics and Information Technology，2021，43（11）：3257-3265.?
[8] 丛玉华，何啸，朱惠娟，等.基于改进YOLOv4-Tiny网络的安全帽监测系统[J].电子技术与软件工程，2021（19）：121-124.
CONG Y H，HE X，ZHU H J，et al.Safety helmet monitoring System based on improved YOLOv4-Tiny network[J].Electronic Technique and Software Engineering，2021（19）：121-124.
[9] 周华平，王京，孙克雷.改进的YOLOv4-Tiny行人检测算法研究[J].无线电通信技术，2021，47（4）：474-480.
ZHOU H P，WANG J，SUN K L.Research on improved YOLOv4?Tiny pedestrian detection algorithm[J].Radio Communication Technology，2021，47（4）：474-480.?
[10] 李科岑，王晓强，林浩，等.深度学习中的单阶段小目标检测方法综述[J].计算机科学与探索，2022，16（1）：41-58.
LI K C，WANG X Q，LIN H，et al.Survey of one-stage small object detection methods in deep learning[J].Journal of Frontiers of Computer Science and Technology，2022，16（1）：41-58.
[11] 彭豪，李晓明.基于改进Faster R-CNN的小目标检测模型[J].电子测量技术，2021，44（24）：122-127.
PENG H，LI X M.Small target detection model based on improved Faster R-CNN[J].Electronic Measurement Technology，2021，44（24）：122-127.
[12] 李彦辰，张小俊，张明路，等.基于改进Efficientdet的自动驾驶场景目标检测[J].计算机工程与应用，2022，58（6）：183-191.
LI Y C，ZHANG X J，ZHANG M L，et al.Object detection in autonomous driving scene based on improved Efficientdet[J].Computer Engineering and Applications，2022，58（6）：183-191.
[13] HAN K，WANG Y，TIAN Q，et al.GhostNet：more features from cheap operations[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR），2020：1580-1589.
[14] 郭师虹，井锦瑞，张潇丹，等.基于改进的YOLOv4安全帽佩戴检测研究[J].中国安全生产科学技术，2021，17（12）：135-141.
GUO S H，JING J R，ZHANG X D，et al.Research on wearing detection of safety helmet based on improved YOLOv4[J].China Safety Science and Technology，2021，17（12）：135-141.
[15] 沈震宇，朱昌明，王喆.基于MAML算法的YOLOv3目标检测模型[J].华东理工大学学报（自然科学版），2022，48（1）：112-119.
SHENG Z Y，ZHU C M，WANG Z.YOLOv3 target detection model based on MAML algorithm[J].Journal of East China University of Science and Technology（Natural Science Edition），2022，48（1）：112-119.
[16] 万卓，叶明，刘凯.基于改进YOLOv4的电机端盖缺陷检测[J].计算机系统应用，2021，30（3）：79-87.
WAN Z，YE M，LIU K.Based on improved YOLOv4 motor end cover defect detection[J].Computer System Application，2021，30（3）：79-87.
[17] 杨艳红，钟宝江，田宏伟.DS-YOLOv4-Tiny救援机器人目标检测模型[J].计算机仿真，2022，39（1）：387-393.
YANG Y H，ZHONG B J，TIAN H W.Target detection model of DS?YOLOv4?Tiny rescue robot[J].Computer Simulation，2022，39（1）：387-39
[18] 杨有为，周刚.面向自然场景文本检测的改进NMS算法[J].计算机工程与应用，2022，58（1）：204-208.
YANG Y W，ZHOU G.Improved NMS algorithm for text detection in natural scenes[J].Computer Engineering and Applications，2022，58（1）：204-208.
[19] 张莹，刘子龙，万伟.基于Faster R-CNN的无人机车辆目标检测[J].电子科技，2021，34（11）：11-20.
ZHANG Y，LIU Z L，WAN W.Based on Faster-R-CNN unmanned aircraft vehicle detection[J].Journal of Electronic Science and Technology，2021，34（11）：11-20.