工業(yè)企業(yè)生產(chǎn)現(xiàn)場(chǎng)環(huán)境復(fù)雜、具有一定的危險(xiǎn)性,要求作業(yè)人員穿戴勞保用品以保證作業(yè)過程不受人身傷害。文章設(shè)計(jì)了基于深度學(xué)習(xí)人員勞保用品佩戴檢測(cè)系統(tǒng),基于深度學(xué)習(xí)目標(biāo)檢測(cè)模型,檢測(cè)圖像中的人員、安全帽、CO報(bào)警儀等目標(biāo)和規(guī)范佩戴推斷算法,實(shí)現(xiàn)了作業(yè)人員勞保用品佩戴自動(dòng)識(shí)別,準(zhǔn)確率達(dá)到90%以上。 

【文章來源】：包鋼科技. 2020,46(04)

【文章頁(yè)數(shù)】：3 頁(yè)

【部分圖文】：

違章檢測(cè)識(shí)別結(jié)構(gòu)

本系統(tǒng)模型主體采用深度卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)(CNN)由輸入層、卷積層、激活函數(shù)、池化層、全連接層組成。其中卷積層CONV1、CONV2、CONV3用于學(xué)習(xí)不同尺度的圖像特征，Pb、Pc用于預(yù)測(cè)目標(biāo)種類和位置�；跇�(gòu)造的安全行為數(shù)據(jù)集，模型設(shè)計(jì)及訓(xùn)練優(yōu)化的技術(shù)路線采用分步訓(xùn)練、遞進(jìn)優(yōu)化的策略，利用交叉驗(yàn)證的訓(xùn)練方法分布訓(xùn)練優(yōu)化模型，得到模型參數(shù)[2]。

【參考文獻(xiàn)】：
期刊論文
[1]面向小目標(biāo)的多尺度Faster-RCNN檢測(cè)算法[J]. 黃繼鵬,史穎歡,高陽(yáng).  計(jì)算機(jī)研究與發(fā)展. 2019(02)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯葉片病害識(shí)別系統(tǒng)[J]. 趙建敏,李艷,李琦,蘆建文.  江蘇農(nóng)業(yè)科學(xué). 2018(24)



本文編號(hào)：3594720