《表4 m AP,precision,recall性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的电力基建现场安全管控系统》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

分别使用优化前后2种YOLO神经网络训练所得的检测模型对同样的目标图像进行检测，得到优化前后的检测结果如图6和图7所示。图6为网络优化前的检测结果，其中图6(a）与（c）对施工人员产生漏检，图6(b）对安全带产生漏检，图6(d）则对电焊手套产生漏检。图7为网络优化后的检测结果，其中人、安全帽、安全带、电焊手套等均可以正确定位与检测，没有产生漏检或错检的情况。由图7(a）可以发现，优化后的网络不仅可以对站着的人进行正确检测，对于蹲着的人同样可以正确检测，网络的鲁棒性得到增强；由图7(d）可以发现，即便施工人员靠得很近或部分重叠，优化网络依然可以对各个目标进行正确定位与检测；由图6和图7的（c）图可以发现，当施工人员存在手拿安全帽等未正确佩戴安全帽的情况时，即便安全帽出现在检测画面内，检测模型也不会对其进行定位与标定，此时表示施工人员存在未正确佩戴安全帽的违规情况。由此可见，优化前的YOLO检测模型在俯视拍摄状态下容易出现漏检与错检现象，检测效果较差；优化后的YOLO检测模型能有效消除俯视拍摄情况下画面非正常长宽比造成的影响，实现了各目标与检测框的高度重合，具有较高的鲁棒性和良好的检测效果。