提升建筑工地安全性：面向有效头盔检测的轻量级卷积网络
计算机视觉与模式识别
2024-09-20 v1 人工智能
摘要
在建筑安全领域，个人防护装备（PPE）如头盔的检测在防止职业伤害中发挥着关键作用。本文详细描述了为准确分类建筑工地头盔存在情况而设计和评估的卷积神经网络（CNN）。最初开发了一个包含一个卷积块和一个全连接层的简单 CNN 模型，取得有限的效果。为提升性能，逐步细化模型，首先通过增加一个卷积块和一个全连接层进行扩展。随后集成了批归一化和 dropout 技术，以缓解过拟合并提高模型的泛化能力。对这些模型的性能进行系统性分析，结果显示在最 advanced 配置下，第一个研究阶段的模型在 F1 分数达到 84%，精确率为 82%，召回率为 86%。尽管这些改进提升了准确率，但仍不理想，为后续的网络结构和操作优化设定了基石。该工作为后续的自动化头盔检测技术的持续调整和优化奠定了基础，预计未来的改进将解决本次实验初步实验中识别的局限性。
引用
@article{arxiv.2409.12669,
title = {Enhancing Construction Site Safety: A Lightweight Convolutional Network for Effective Helmet Detection},
author = {Mujadded Al Rabbani Alif},
journal= {arXiv preprint arXiv:2409.12669},
year = {2024}
}