《表4 m AP,precision,recall性能对比》
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。
图表编号 | XD00225776200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.25 |
作者 | 袁斌、张皓维、崔萌萌 |
绘制单位 | 国网陕西省电力公司经济技术研究院、国网陕西省电力公司、中科院自动化所 |
更多格式 | 高清、无水印(增值服务) |