基于EPSA-YOLOv5电力高空作业安全带佩戴检测.pdf

西 安 工 程 大 学 学 报J o u r n a l o f X ia n P o l y t e c h n i c U n i v e r s i t y 第3 8卷第2期(总1 8 6期)2 0 2 4年4月V o l.3 8,N o.2(S u m.N o.1 8 6)引文格式:李永福,陈立斌,惠君伟,等.基于E P S A-YO L O v 5电力高空作业安全带佩戴检测J.西安工程大学学报,2 0 2 4,3 8(2):1 8-2 5.L I Y o n g f u,CHE N L i b i n,HU I J u n w e i,e t a l.S a f e t y b e l t w e a r i n g d e t e c t i o n f o r e l e c t r i c a l o f t w o r k b a s e d o n E P S A-YO L O v 5J.J o u r n a l o f X ia n P o l y t e c h n i c U n i v e r s i t y,2 0 2 4,3 8(2):1 8-2 5.收稿日期:2 0 2 3-0 7-2 9 修回日期:2 0 2 3-1 1-2 6 基金项目:国家自然科学基金(5 2 1 7 7 1 9 3);陕西省重点研发计划(2 0 2 2 G Y-1 8 2);西安市科技计划项目(2 2 G X FW 0 0 7 8)通信作者:李永福(1 9 8 7)男,高级工程师,研究方向为电网建设安全生产。E-m a i l:2 8 7 5 7 1 1 6 7q q.c o m基于E P S A-YO L O v 5电力高空作业安全带佩戴检测李永福1,陈立斌1,惠君伟1,袁润枞1,柴浩凯2(1.国网陕西电力有限公司 建设分公司,陕西 西安 7 1 0 0 7 5;2.西安理工大学 电气工程学院,陕西 西安 7 1 0 0 4 8)摘要 电力工作人员在高空作业中,安全带佩戴仍存在漏检和检测速度较慢等现象,利用E P S A-YO L O v 5算法,给出了一种新的电力高空作业安全带佩戴检测方法。该方法基于E P S AN e t的主干抽取网络,在保持良好特征抽取性能的前提下,减少了网络中的参数,加快了模型的辨识速度。通过对空间金字塔池化结构的改进,提高了模型的检测精度,在此基础上,提出了一种基于S o f t-NM S的改进算法,以减少对目标的检测。实验结果表明:基于E P S A-YO L O v 5网络模型的高空作业安全带检测精度和检测速度等方面均比原YO L O v 5模型提高了2.3 4%,具有实用性和高效性。关键词 安全带检测;YO L O v 5模型;E P S AN e t;S o f t-NM S;金字塔池化结构开放科学(资源服务)标识码(O S I D)中图分类号:T P 3 9 1.4 文献标志码:AD O I:1 0.1 3 3 3 8/j.i s s n.1 6 7 4-6 4 9 x.2 0 2 4.0 2.0 0 3S a f e t y b e l t w e a r i n g d e t e c t i o n f o r e l e c t r i c a l o f t w o r k b a s e d o n E P S A-Y O L O v 5L I Y o n g f u1,CHEN L i b i n1,HU I J u n w e i1,Y U AN R u n c o n g1,CHA I H a o k a i2(1.C o n s t r u c t i o n B r a n c h o f S t a t e G r i d S h a a n x i E l e c t r i c P o w e r C o.L t d.,X ia n 7 1 0 0 7 5,C h i n a;2.S c h o o l o f E l e c t r i c a l E n g i n e e r i n g,X ia n U n i v e r s i t y o f T e c h n o l o g y,X ia n 7 1 0 0 4 8,C h i n a)A b s t r a c t T o a d d r e s s t h e p r o b l e m o f m i s s e d d e t e c t i o n a n d s l o w d e t e c t i o n s p e e d i n s a f e t y b e l t w e a r i n g t e s t f o r e l e c t r i c a l o f t w o r k,t h i s p a p e r p r o p o s e d a m e t h o d f o r d e t e c t i n g t h e w e a r i n g o f s a f e t y b e l t s b a s e d o n E P S A-YO L O v 5 a l g o r i t h m.T h i s m e t h o d w a s b a s e d o n E P S AN e t b a c k b o n e f e a t u r e e x t r a c t i o n n e t w o r k,w h i c h r e d u c e d t h e n u m b e r o f p a r a m e t e r s i n t h e n e t w o r k w h i l e m a i n-t a i n i n g g o o d f e a t u r e e x t r a c t i o n p e r f o r m a n c e,a n d s p e e d i n g u p t h e m o d e l r e c o g n i t i o n s p e e d.B y i m-p r o v i n g t h e s p a t i a l p y r a m i d p o o l i n g s t r u c t u r e,t h e m o d e l d e t e c t i o n a c c u r a c y w a s i m p r o v e d;o n t h i s b a s i s,a n i m p r o v e d a l g o r i t h m b a s e d o n S o f t-NM S w a s p r o p o s e d t o r e d u c e t h e d e t e c t i o n o f t a r g e t s.E x p e r i m e n t a l r e s u l t s s h o w t h a t t h e d e t e c t i o n a c c u r a c y a n d s p e e d o f s a f e t y b e l t f o r a l o f t w o r k b a s e d o n E P S A-YO L O v 5 n e t w o r k m o d e l a r e 2.3 4%h i g h e r t h a n t h a t o f t h e o r i g i n a l YO L O v 5 m o d e l,w h i c h h a s p r a c t i c a l i t y a n d e f f i c i e n c y.K e y w o r d s s a f e t y b e l t d e t e c t i o n;YO L O v 5 m o d e l;E P S AN e t;S o f t-NM S;p y r a m i d p o o l i n g s t r u c-t u r e0 引 言 电力是国家经济发展的重要支柱,电力设备安全运维对电力安全传输具有重要作用。随着电力高空作业人员数量的增加,安全带佩戴是否规范显得尤为重要。常规的安全带佩戴检测往往依靠操作者的自觉和安全员的人工检测,费时费力且效果较差。安全带佩戴智能检测不仅能够提高监控效率,而且能够实现对违规人员的智能安全管理,保证工人的人身安全。目前,安全带佩戴智能检测算法主要有2种类型,即一阶段和二阶段目标检测算法。一阶段目标检测算法以 YO L O算法为代表,通过卷积网络进行检测并设置先验框。文献1 介绍了一种用于高空作业中安全带识别与检测的卷积神经网络算法,但其是主要用于背景复杂的情况,在电力作业场景下使用具有一定的局限性。文献2 采用了先进的 YO L O X目标探测模式,使该模式在保证检测准确率的前提下,实现了对目标的实时探测,但该方法对于场景复杂的自然条件检测精度较低。文献3 提出一种基于改进的YO L OV 3的检测算法,把安全帽与作业人员的头部作为一个整体,把被检测对象分成2种类型,可以在同一时间完成2种类型的对象的检测,从而避免了运算过程中的冗余和累计误差的影响,但该方法对于实际场景工程实践的应用不足,且存在漏检误检现象。二阶 段 检 测 算 法 中 则 以R-C NN、F A S T R-C NN为代表,在目标检测领域使深度学习算法得以应用。文献4 在已有的M a s k R-C NN模型在高空作业中,通过对安全带的识别与人体特征点的识别,实现了对驾驶员违章行为的准确判定。但是,目前的识别框架仍采用两步法,时间效率较低,无法满足实际应用的需要。文献5 提出了一种基于深度学习的复杂路况下的安全带识别方法,对带有标记的车辆区域、窗户区域和安全带区域进行特征提取,利用支持向量机分类模型对安全带区域进行精确地定位和识别,但在检测速度上相较于其他算法较慢,并且检测精度也较低。综上,针对安全管理制度执行存在盲点的问题,需要设计智能化的安全带违规检测算法。参考地面安全带检测方法,将其可利用的算法应用到高空安全带检测并加以改进。电力作业安全带佩戴检测已得到一定程度的研究,但考虑到电力作业场景的复杂程度,以上方法仍然存在着一定的问题,其突出问题在于:普适性不强,尤其对复杂电网运行情况缺乏稳健性;时效性较差,很难满足对边缘设备的应用和对实时报警的要求6。针对以上问题,提出一种E P S A-YO L O v 5的方法,以E P S AN e t为骨干网络,提升模型辨识速度,并通过调节空间金字塔池化结构,提升模型辨识精度。在此基础上,利用S o f t-NM S算法替代原有的 NM S算法,以减少对物体的漏检,从而进一步提升YO L O v 5模型在电气操作场景中的检测精度7。1 安全带佩戴检测模型1.1 YO L O v 5网络简介电力高空作业安全带佩戴检测要求识别算法具有一定的轻量化和高效性,图1为YO L O v 5网络架构8。其中,C B L由C o n v+B N+L e a k y_r e l u激活函数三者组成。C S P 1_X借鉴C S P N e t网络结构,由3个卷积层和X个R e s u n i t模块C o n c a t组成。C S P 2_X不再用R e s u n i t模块,而是改为C B L。S P P采用11、55、99、1 31 3的最大池化方式,进行多尺度融合。91第2期 李永福,等:基于E P S A-YO L O v 5电力高空作业安全带佩戴检测图 1 YO L O v 5网络结构F i g.1 N e t w o r k s t r u c t u r e o f YO L O v 5 在YO L O v 5的网络层中,采用特征金字塔型 F P N(f e a t u r e p y r a m i d n e t w o r k)和P AN(p e r c e p t u a l a d v e r s a r i a l n e t w o r k)结合的方式,对输入的特征图像进行特征融合和定位。F P N采用自顶向下的下采样方式将上层特征图包含的强语义信息传递下来,P AN 采用自底向上的上采样将下层定位信息传递上去,再结合卷积操作和C 3模块进行有效的特征融合9,并以8 08 0像素值,4 04 0像素值,2 02 0像素值输出3张特征图。检测层用于图片中物体的预测和识别工作。在网络层输出的特征图中使用锚框,并以G I O U作为边界框训练的损失函数(LG I O U),如下所示:LG I OU=AI OU-(AC-U)/AC(1)式中:AI OU为相交面积;AC为最小闭包区域面积;U为闭包区域中不属于2个框的区域面积。在检测层包含3个卷积层分别对应网络层8 08 0像素值、4 04 0像素值和2 02 0像素值的输入特征图,用来在图像中探测出不同大小的物体1 0。1.2 E P S AN e t网络结构基于信道注意,E P S A N e t将多尺度的概念引入到网络中,建立了一个金字塔注意力模块,称为 P S A模型。并进一步用P S A注意模块取代33卷积在R e s N e t瓶颈网络中的33卷积,可以得到一个新的E P S A。E P S A b l o c k可以作为一种“即插即用”模块用于现有骨干网络并显著提升性能,相比其他注意力机制(比如S E N e t、E C A N e t、F c a N e t等),该网络在图像分类,物体检测,样本分割等方面都有很大的提高1 1,该模块的总体结构框如图2所示。图 2 E P S AN e t结构F i g.2 S t r u c t u r e o f E P S AN e tP S A模块主要通过4个步骤实现,如图3所示。图 3 P S A模块F i g.3 P S A m o d e l02 西安工程大学学报 第3 8卷 图3中,第1步采用 S P C模块对各信道进行分割,根据各信道的空域信息,实现了各信道的多尺度特征提取。第2步使用 S EW i g h t模块对各尺度图像进行信道注意提取,并获得各尺度下的信道注意矢量。第3步采用 S o f t m a x算法,对多尺度信道的注意矢量进行再校准1 2,获得新的注意权值。第4步再将该权值与对应的特征图进行点乘法运算,得到具有多尺度特征信息的特征图。S P C是实现多尺度特征提取的一个重要模块。如图4所示。图 4 S P C模块示意图F i g.4 S c h e m a t i c d i a g r a m o f S P C输入特性图X,先将特性图X切成S段 X0,X1,XS-1,每一段的信道数目为C=C S。同时,H、W、C分别代表特征图的高、宽、输入通道数,则每个分割之后的特征图Xi RC HW,i=0,1,S-1。针对划分出来的每个通道的特征图,在S P C的基础上,本文应用了一种基于多尺度卷积的多尺度图像空域信息提取方法1 3。此外,本文还使用了一种基于卷积核尺寸的适应性来选择组的大小的策略来改进模块。其中种群G与核尺寸K的关系式为G=2(K-1)/2。多尺度特征提取的过程具体计算方式如下:Fi=C o n v(KiKi,Gi)(Xi),i=0,1,2,S-1(2)式中:Ki=2i+3,Gi=2ki-12,FiRC HW。最终采用级联的方法获得了多尺度融合后的特征图,如式(3):F=C a t(F0,F1,FS-1)(3)其中,F RCHW在提取多尺度特征图之后,需要对用不同比例尺的特征图谱对信道注意权重的影响提取1 4,具体计算如式(4):Zi=S EW e i g h t(Fi),i=0,1,2,S-1(4)注意力权重ZiRC 1 1然后,整个多尺度通道注意力权重向量如式(5):Z=Z0Z1ZS-1(5)其中是C o n c a t操作符,为了建立长期的通道注意力依赖,并且实现多尺度通道注意力之间的信息交互。进一步使用 S o f t m a x对信道注意信息的权重重新标定,如式(6)所示:Wa t t,i=S o f t m a x(Zi)=e x p(Zi)S-1i=0e x p(Zi)(6)将对应尺度的特征图Fi与进行权值重标定的注意力向量进行信道智能倍增相乘1 5,得到多尺度通道智能注意力权重的特征图Yi,即Yi=FiWa t t,i,i=1,2,3,S-1(7)最后,将得到的多尺度通道注意力加权之后通过特征图进行维度拼接,得到了一个信息更加丰富的特征图。具体计算如式(8)所示:Fo u t=C a t(Y0,Y1,YS-1)(8)在 P S A模块完成之后,用 P S A 模块代替 R e s-N e t中瓶颈网络部分的33卷积,得到本文所需的E P S AN e t,图5为E P S AN e t模块的实现流程。图 5 E P S AN e t模块实现流程F i g.5 I m p l e m e n t a t i o n p r o c e s s o f E P S AN e t1.3 基于E P S A-YO L O v 5的安全带佩戴检测本文提出的E P S A-YO L O v 5安全带佩戴检测方法如图6所示。12第2期 李永福,等:基于E P S A-YO L O v 5电力高空作业安全带佩戴检测图 6 E P S A-YO L O v 5检测流程F i g.6 D e t e c t i o n p r o c e s s o f E P S A-YO L O v 5 1)数据集的采集和标注。将采集到的图片分为4类,分别为:作业现场中包含的人(其中包含监护人员和无关人员)、作业现场中带有的监护袖章(此类人员为监护人员)、作业现场中的离地状态人员(此类人员为高空电力维修人员)、作业现场戴有的安全带。在标注图像中,9 0%的标注图像被用作训练样本,1 0%的标注图像被用作测试样本。2)建立P S A的数学模型。使用S EW e i g h t模块,对不同尺度特征图进行通道注意力的提取。在此基础上,采用 S o f t m a x算法对多尺度信道进行特征校正,从而获得多尺度信道相互作用后的注意权重。3)网络架构设计。用P S A模块替代R e s N e t中瓶颈网络部分的33卷积,得到E P S AN e t。用S o f t-NM S取代并改善原来的YO L O v 5模型中的改善 非 极 大 值 抑 制(n o n-m a x i m u m s u p p r e s s i o n,NM S)1 6。4)训练网络模型。将标注完成的图像送入融合通道信息的改进YO L O v 5目标检测网络训练3 0 0个迭代周期,每完成一个迭代周期 保存一次权重参数。当迭代次数达到2 0 0次左右时,模型学习效率逐渐达到饱和。基于得到的E P S AN e t模型,将YO L O v 5模型中 的 骨 干 网 络 替 换 为E P S AN e t,即 为E P S A-YO L O v 5模型,改进其模型中的NM S,即S O F T-NM S,降低漏检现象1 7,具体过程为改进置信度函数,可表示为Si=Si,U(M,bi)NSi1-U(M,bi),U(M,bi)N(9)式中:Si为第i个预测框的置信度;M为当前得分最高框;bi为待处理的预测框;U(M,bi)为M和bi交并比;N为设置的阈值。M和bi交并比越大,bi的得分S就下降得越快,且呈线性衰减。但由于这种衰减方式所产生的函数并不是连续函数,所以可以使用高斯加权的方式,让它变成一个连续的分数重设函数1 8。最终改进如下:Si=Sie-U(M,bi),biD(1 0)式中:D为检测框合集;为超参数。它们控制了模型的学习过程和性能,需要根据经验或试验来选择和调整的,调整超参数是机器学习中一个重要的过程,因为合适的超参数可以提高模型的性能,而不合适的超参数选择可能导致模型过拟合或欠拟合。因此,了解和调整超参数是优化和改进机器学习模型的关键步骤之一,本文超参数的确定是从文献1 8 中得出。从式(1 0)可以看出,这个连续函数对重叠度越高的检测框置信度得分的衰减就越严重,而对没有重叠的检测框置信度得分则会保持不变,这可以有效地避免由于强制删除检测框而导致的漏检,从而提高了检测的准确性。2 实验结果与分析2.1 环境介绍和数据集介绍本次实验环境基于6 4位W i n d o w s操作系统,该操作系统具有1 6 G i B的R AM和1 2 t h G e n I n t e l(R)C o r e(TM)i 7-1 2 7 0 0 K F 3.6 0 GH z的处理器。样本数据选用A地区的高空电力作业的人员图片,利用l a b e l i m g软件,生成数据的标签,并将其标注为t x t格式,根据工作人员的不同状态将图片分为4类,并进行标签标注。将标注完成的图像送22 西安工程大学学报 第3 8卷入E P S A-YO L O v 5检测网络训练3 0 0个迭代周期,每完成一次迭代保存一次权重参数。在大约2 0 0个循环后,该模型的学习性能趋于饱和。参数设置完成后,对网络模型进行训练,整个训练过程一共有2 0 0个迭代周期,在这2 0 0个迭代周期当中,前1 0 0个迭代周期使用冻结部分网络,这样就可以加快训练速度,将学习率设置为0.0 0 1,匹配大小设置为1 6。后1 0 0个迭代周期的学习率设置为0.0 0 0 1,一次训练的样本数设置为8,优化器均采用A d a m。2.2 评价指标选取F1值、平精度均值(m e a n a v e r a g e p r e c i-s i o n,mA P)、损失函数对模型训练效果进行评价。其中的F1值是精确率(P)和召回率(R)加权调和平均1 9,是结合两者提出的综合性评估指标,可以较好地避免两者相差较大而产生的问题。精确率又可被称为查准率2 0,是指最终预测出的结果中正确数据的占比;召回率又称为查全率,是算法检测正确结果占比图表中所有目标的比例2 1。平均精度(a v e r a g e p r e c i s i o n,A P)能够体现单一目标类检测性能,mA P为总类别 A P 的平均值2 2。2.3 基于不同网络模型实验对比在本实验中,通过对各种网络模型的比较试验,选择出最优的改进方案,然后,将改进后的网络模型与常见的目标检测算法进行比较,分析其检测性能。不同的骨干特征提取对检测性能的影响存在差异2 3,对不同的检测网络对模型检测性能的影响进行了研究,分别采用了不同的特征提取网2 4-2 5。其中M 1、M 2、M 3分别对应YO L O v 5、E P S AN e t、E P-S AN e t+s o f t-NM S网络。以下为各模型介绍。对上述数据样本,采用M 1网络模型对制备好的图片数据进行检测,结果表明,该方法具有较好的识别效果,其识别精度和召回率分别为8 9.9 3%和9 1.3 3%。M 2为高效金字塔注意力网络,引入了多尺度特征,最终得到的模型检测准确率为9 0.5 0%,召回率为9 2.3 5%。M 3是在原金字塔注意力网络模型基础上对非极大值抑制NM S做了改进,降低了该模型的漏检现象,通过此模型试验检测准确率为9 1.2 2%,召回率为9 0.3 1%。E P S A-YO L O v 5为 本 文 提 出 的 对 原 始YO L O v 5网络模型的改进,通过此模型试验检测准确率为9 2.2 7%,召回率为9 5.0 2%,该模型相比于其他3种模型预测准确率得到了有效提升。图7分别为基于4种不同模型下实验得到的均值平均精度、准确率、召回率。(a)均值平均精度(b)模型准确率(c)模型召回率图 7 不同模型性能对比F i g.7 P e r f o r m a n c e c o m p a r i s o n o f d i f f e r e n t m o d e l s通 过 对4种 模 型M 1、M 2、M 3和E P S A-YO L O v 5进行了测试,并进行了性能对比,如表1所示。表 1 不同模型检测结果比较T a b.1 C o m p a r i s o n o f d e t e c t i o n r e s u l t s o f d i f f e r e n t m o d e l s网络模型mA P精确率召回率M 10.6 9 2 60.8 9 9 30.9 1 3 3M 20.7 2 4 50.9 0 5 00.9 2 3 5M 30.6 8 9 80.9 1 2 20.9 0 3 1E P S A-YO L O v 50.7 6 8 30.9 2 2 70.9 5 0 2通过对比M 1和 E P S A-YO L O v 5的性能可知,32第2期 李永福,等:基于E P S A-YO L O v 5电力高空作业安全带佩戴检测E P S A-YO L O v 5结构明显地减少了参数量和计算量,并且精确度也得以提高,减少了软件或系统对计算机资源(如内存、存储和处理能力)的需求,从而节约资源并提高性能,可见其具有一定的轻量化。通过将E P S A模块注意模块添加到网络中,其优化性能也有所不同,网络的召回率也得以提高,可以有效提 高 网 络 性 能,比 未 加 入 注 意 力 机 制 前 的YO L O v 5,高出了2.4%。通过对比M 2和M 3模型可知,非极大值抑制的改进对网络的检测精度有较大的提升,与改进后的 E P S AN e t模型相比,提高了0.7 2%的精度,在保证检测精度的情况下,与M 1进行比较,改进后的算法有效降低了参数量和计算量,便于更好地部署在嵌入式设备中2 6,在移动设备上使用轻量化的应用程序可以减少电池消耗和网络流量,提高设备的续航时间和用户体验,轻量化的应用程序通常具有更快的启动时间和响应速度,使用户能够更快地执行任务并获得即时反馈。对于不同模型的检测效果,试验结果显示,与原来的YO L O v 5相 比,E P S A-YO L O v 5的 平 均 MA P增 加 了7.5 7%。召回率增加了3.6 9%。3 结 论本文研究了基于E P S A-YO L O v 5网络的高空安全带佩戴检测,可以提取丰富的目标特征,完成对高空安全带的检测,提高判断高处作业施工人员安全带的佩戴情况的准确率,并进一步提高模型的效率和降低模型的复杂度。1)引入了一种新的注意力模块E P S A,在此基础上,通过融合局域注意与全局注意,构建远距离通道依赖关系。2)在各信道特征图谱中,通过对各信道特征图谱进行多尺度的空间信息提取,能够更加准确地融合邻近尺度的上下文特征。3)在多尺度特征图上抽取信道注意权重,建立跨维互动关系。但本文算法仍存在一些问题没有解决,比如模型参数量大,检测速度慢等问题,以及目前最新的YO L OV 7和YO L OV 8在本文实验中的应用。后续将针对如何不影响检测精度的同时减小参数量,提高检测速度的方面进行研究,并且引入YO L OV 7和YO L OV 8网络,结合本实验进行改进和研究。参考文献(R e f e r e n c e s)1 吴烈凡.基于卷积神经网络的高空作业安全带识别与检测J.现代计算机,2 0 2 1,2 7(2 4):1 2 4-1 3 0.WU L F.R e c o g n i t i o n a n d d e t e c t i o n o f h i g h-a l t i t u d e s a f e t y b e l t s o n c o n s t r u c t i o n s i t e s b a s e d o n c o n v o l u t i o n-a l n e u r a l n e t w o r k sJ.M o d e r n C o m p u t e r,2 0 2 1,2 7(2 4):1 2 4-1 3 0.(i n C h i n e s e)2 曹捷,郭志彬,潘立志,等.高空作业场景下的安全带穿戴检测J.湖南科技大学学报(自然科学版),2 0 2 2,3 7(1):9 2-9 9.C AO J,GUO Z B,P AN L Z,e t a l.D e t e c t i o n o f s a f e t y b e l t w e a r i n g i n a e r i a l w o r kJ.J o u r n a l o f H u n a n U n i-v e r s i t y o f S c i e n c e&T e c h n o l o g y(N a t u r a l S c i e n c e E d i-t i o n),2 0 2 2,3 7(1):9 2-9 9.(i n C h i n e s e)3 韩锟,李斯宇,肖友刚.施工场景下基于 YO L O v 3的安全帽佩戴状态检测J.铁道科学与工程学报,2 0 2 1,1 8(1):2 6 8-2 7 6.HAN K,L I S Y,X I AO Y G.S a f e t y h e l m e t w e a r i n g s t a t u s d e t e c t i o n b a s e d o n YO L O v 3 i n c o n s t r u c t i o n s c e-n a r i o s J.J o u r n a l o f R a i l w a y S c i e n c e a n d E n g i n e e r-i n g,2 0 2 1,1 8(1):2 6 8-2 7 6.(i n C h i n e s e)4 冯志珍,张卫山,郑宗超.基于M a s k R-C NN的高空作业安全带检测J.计算机系统应用,2 0 2 1,3 0(3):2 0 2-2 0 7.F E NG Z Z,Z HAN G W S,Z HE N G Z C.D e t e c t i o n o f s e a t b e l t s i n h i g h-a l t i t u d e w o r k b a s e d o n M a s k R-C NNJ.C o m p u t e r S y s t e m A p p l i c a t i o n,2 0 2 1,3 0(3):2 0 2-2 0 7.(i n C h i n e s e)5 王猛.基于深度学习的安全带检测系统J.电脑知识与技术,2 0 1 6,1 2(1 1):2 4 0-2 4 2.WANG M.S e a t b e l t d e t e c t i o n s y s t e m b a s e d o n d e e p l e a r n i n gJ.C o m p u t e r K n o w l e d g e a n d T e c h n o l o g y,2 0 1 6,1 2(1 1):2 4 0-2 4 2.(i n C h i n e s e)6 李雷孝,孟闯,林浩,等.基于图像增强与深度学习的安全带目标检测J.计算机工程与设计,2 0 2 3,4 4(2):4 1 7-4 2 4.L I L X,ME N G C,L I N H,e t a l.S e a t b e l t t a r g e t d e t e c-t i o n b a s e d o n i m a g e e n h a n c e m e n t a n d d e e p l e a r n i n gJ.C o m p u t e r E n g i n e e r i n g a n d D e s i g n,2 0 2 3,4 4(2):4 1 7-4 2 4.(i n C h i n e s e)7 彭方达,宋长明,李阳,等.一种基于新型U n e t-C a n n y网络的安全带检测方法J.中原工学院学报,2 0 2 2,3 3(4):2 2-3 0.P E NG F D,S ONG C M,L I Y,e t a l.A s e a t b e l t d e t e c-t i o n m e t h o d b a s e d o n a n e w U n e t-C a n n y n e t w o r kJ.J o u r n a l o f Z h o n g y u a n U n i v e r s i t y o f T e c h n o l o g y,2 0 2 2,3 3(4):2 2-3 0.(i n C h i n e s e)8 饶梦程,王娜,丁军航,等.基于改进YO L O v 5的电力故障检测方法J/O L.电子设计 工 程,1-62 0 2 3-1 1-2 5.R AO M C,WAN G N,D I N G J H,e t a l.P o w e r f a u l t d e-t e c t i o n m e t h o d b a s e d o n i m p r o v e d YO L O v 5 J/O L.42 西安工程大学学报 第3 8卷E l e c t r o n i c D e s i g n E n g i n e e r i n g,1-62 0 2 3-1 1-2 5.(i n C h i n e s e)9 韩镇洋,王先兰.一种改进YO L O v 5的小目标检测算法J.电子设计工程,2 0 2 3,3 1(1 9):6 4-6 7.HAN Z,WANG X L.A n i m p r o v e d YO L O v 5 o f s m a l l t a r g e t d e t e c t i o n a l g o r i t h m J.E l e c t r o n i c D e s i g n E n g i-n e e r i n g,2 0 2 3,3 1(1 9):6 4-6 7.(i n C h i n e s e)1 0 游越,伊力哈木亚尔买买提.基于改进YO L O v 5在电力巡 检 中 的 目 标 检 测 算 法 研 究 J.高 压 电 器,2 0 2 3,5 9(2):8 9-9 6.YOU Y,Y I L I HAMU Y E M M T.R e s e a r c h o n t a r-g e t d e t e c t i o n a l g o r i t h m b a s e d o n i m p r o v e d YO L O v 5 i n p o w e r p a t r o l i n s p e c t i o nJ.H i g h V o l t a g e A p p a r a-t u s,2 0 2 3,5 9(2):8 9-9 6.(i n C h i n e s e)1 1 AY E L E F,CHUNG K,S M I TH A,e t a l.U r i n a r y d i-v e r s i o n u s i n g M a i n z P o u c h I I i n b l a d d e r e x s t r o p h y:a n E t h i o p i a n e x p e r i e n c e J.A n n a l s o f P e d i a t r i c S u r g e r-y,2 0 1 5,1 1(1):6 5-1 1 2.1 2 郑茂文,刘斌,王霖,等.基于高空作业安全自动控制系统的设计J.建筑安全,2 0 1 6,3 1(6):2 5-2 8.Z HE NG M W,L I U B,WAN G L,e t a l.D e s i g n o f a u-t o