基于改进YOLOv5s的智能车间工人不安全行为实时检测方法

U169.6%F252.3%TP18; 生产安全是以人为本的智能制造基本要求,为满足智能车间工人不安全行为的实时性检测和边缘端部署需求,提出一种基于轻量化的YOLOv5s的工人不安全行为检测方法.首先,对YOLOv5s特征融合网络以及输出层进行删除;其次,对改进后网络训练得到的模型文件进行结构化剪枝;最后,使用知识蒸馏对剪枝后的网络模型进行微调.实验结果表明,改进后YOLOv5s算法的mAP@0.5高达97.8％,刷新率提升108％,所需算力下降了 69.0％.所提出的YOLOv5s-2Detect网络及轻量化设计方案对智能车间工人不安全行为检测具有较高的精度,实时性与鲁棒性能够满足智能车间实...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 5; pp. 1610 - 1619
Main Authors 罗国富, 王源, 李浩, 杨文超, 吕林东
Format Journal Article
LanguageChinese
Published 郑州轻工业大学机电工程学院,河南 郑州 450000 31.05.2024
Subjects
real-time performance
intelligent workshop
实时检测
不安全行为
YOLOv5s
结构化剪枝
unsafe behavior
智能车间
structural pruning
Online AccessGet full text

Cover

More Information
Summary:U169.6%F252.3%TP18; 生产安全是以人为本的智能制造基本要求,为满足智能车间工人不安全行为的实时性检测和边缘端部署需求,提出一种基于轻量化的YOLOv5s的工人不安全行为检测方法.首先,对YOLOv5s特征融合网络以及输出层进行删除;其次,对改进后网络训练得到的模型文件进行结构化剪枝;最后,使用知识蒸馏对剪枝后的网络模型进行微调.实验结果表明,改进后YOLOv5s算法的mAP@0.5高达97.8％,刷新率提升108％,所需算力下降了 69.0％.所提出的YOLOv5s-2Detect网络及轻量化设计方案对智能车间工人不安全行为检测具有较高的精度,实时性与鲁棒性能够满足智能车间实际环境中工人不安全行为的检测需求.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.HI11