基于YOLO-Efficient的高空作业安全带检测

刘威; 卢妍洁; 高焜; 李梓轩; 琚贇; 张之刚

doi:10.16543/j.2095-641x.electric.power.ict.2025.07.04

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于YOLO-Efficient的高空作业安全带检测

更新时间：2026-10-17

- 基于YOLO-Efficient的高空作业安全带检测
- Vol. 23, Issue 7, Pages: 30-37(2025)
- 作者机构：
  
  1. 华北电力大学控制与计算机工程学院
  2. 中国大唐集团科学技术研究总院有限公司中南电力试验研究院
- 作者简介：
- 基金信息：
- DOI：10.16543/j.2095-641x.electric.power.ict.2025.07.04
  CLC： TM08;TP183;TP391.41
- Published：2025
- 稿件说明：
移动端阅览
刘威, 卢妍洁, 高焜, et al. 基于YOLO-Efficient的高空作业安全带检测[J]. 2025, 23(7): 30-37.
DOI：

刘威, 卢妍洁, 高焜, et al. 基于YOLO-Efficient的高空作业安全带检测[J]. 2025, 23(7): 30-37. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.07.04.

摘要

为了提升高空作业场景下安全带的检测效率和准确性，文章基于YOLOv8模型提出一种YOLO-Efficient的改进模型。首先，基于分组归一化算法设计轻量化的检测头GNHead，该检测头采用了GNConv替换传统的3x3卷积，提升检测头定位和分类的性能，使用共享卷积技术，有效减少模型整体的参数量，添加Scale层对特征进行缩放，增强模型对不同尺度目标的适应性。其次，在骨干网络部分，采用KernelWarehouse通用动态卷积取代传统的YOLOv8网络中的Conv模块和C2f模块，KWConv通用动态卷积通过在各层之间巧妙地共享和混合预定义的部分，可以使用更少的参数实现更高的灵活性和更优的功能。进一步减少计算量，并显著提高了检测速度，使模型更适合实时监控应用。最后，使用WIo Uv2损失函数代替原损失函数CIoU，使模型进一步聚焦于中高质量锚框，从而降低边界回归损失，显著提高检测精度。综合这些优化措施，YOLO-Efficient模型在确保高检测准确率的同时，实现快速检测，并以电厂高空作业安全监控作为典型应用场景，验证所提方案的有效性。

Abstract

关键词

Keywords

references

郑福建.面向高处作业的施工人员安全带佩戴检测研究[D].重庆科技学院,2022(03).

Huihui Wen,Ying Li,Yu Wang,Haoyang Wang,Haolin Li,Hongye Zhang,Zhanwei Liu.Usage of an improved YOLOv5 for steel surface defect detection[J].Materials Testing,2024.

Xue Yongjie,Ju Zhiyong,Li Yuming,Zhang Wenxin.MAF-YOLO: Multi-modal attention fusion based YOLO for pedestrian detection[J].Infrared Physics and Technology,2021.

Facebook AI Research, Menlo Park, USA,Facebook AI Research, Menlo Park, USA.Group Normalization[J].International Journal of Computer Vision,2020.

Zhai Sheping,Shang Dingrong,Wang Shuhuan,Dong Susu.DF-SSD: An Improved SSD Object Detection Algorithm Based on DenseNet and Feature Fusion[J].IEEE Access,2020.

Zhao Yuntao,Cui Wenjie,Geng Shengnan,Bo Bo,Feng Yongxin,Zhang Wenbo.A Malware Detection Method of Code Texture Visualization Based on an Improved Faster RCNN Combining Transfer Learning[J].IEEE ACCESS,2020.

Cai Zhaowei,Vasconcelos Nuno.Cascade R-CNN: High Quality Object Detection and Instance Segmentation.[J].IEEE transactions on pattern analysis and machine intelligence,2019.

Weili Fang,Lieyun Ding,Hanbin Luo,Peter E.D. Love.Falls from heights: A computer vision-based approach for safety harness detection[J].Automation in Construction,2018.

He Kaiming,Zhang Xiangyu,Ren Shaoqing,Sun Jian.Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition.[J].IEEE transactions on pattern analysis and machine intelligence,2015.

郭鹏天,李黎,王勇,郑碧煌,王晓辉,陈勇.基于改进DETR的电力作业现场安全行为识别方法[J].电力信息与通信技术,2024(08).

张天明,王金丽,李佳,段祥骏,冯德志,杨乐.基于YOLOv5s的配电台区施工多目标检测方法[J].电力信息与通信技术,2024(07).

辛恩承.基于改进YOLOV3算法的受电弓安全状态检测技术研究[J].铁道机车车辆,2024(02).

刘冲冲,张力平,任锦飞,陈群元.基于改进YOLOV4-tiny的电力设备红外识别研究[J].现代机械,2024(01).

黄文冠,林华沐,周莹,李沛濠,周小燕,刘昱林.基于YOLOv2视觉的路标检测系统与应用[J].工业控制计算机,2023(08).

宋曦,高文鹏.基于AlphaPose与改进LightGBM算法的触电跌倒检测方法[J].电力信息与通信技术,2023(04).

曹捷,郭志彬,潘立志,丁兴号.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),2022(01).

王毅,方志策,牛瑞卿,彭令.基于深度学习的滑坡灾害易发性分析[J].地球信息科学学报,2021(12).

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,2021(24).

杨浩,林楠,袁晨,罗昊,苏盛.电力巡线无人机信息安全风险分析与防护[J].电力科学与技术学报,2021(04).

李泽琛,李恒超,胡文帅,杨金玉,华泽玺.多尺度注意力学习的Faster R-CNN口罩人脸检测模型[J].西南交通大学学报,2021(05).

黄华毅,马晓航,扈丽丽,黄咏槐,黄焕华.Fast R-CNN深度学习和无人机遥感相结合在松材线虫病监测中的初步应用研究[J].环境昆虫学报,2021(05).

冯志珍,张卫山,郑宗超.基于Mask R-CNN的高空作业安全带检测[J].计算机系统应用,2021(03).

霍星,费志伟,赵峰,邵堃.深度学习在驾驶员安全带检测中的应用[J].计算机科学,2019(S1).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于多维光学信息的线路隐患目标智能监拍终端研究

去蜂窝电力通信网络中多天线分布式资源数据可达速率分析

极端天气下基于AI的新能源功率预测现状与思考

基于CPSO-BiLSTM的电力巡检机器人漫游无损切换研究

基于多源注意力机制的电力市场领域文档级实体显著性检测研究

Related Author

No data

Related Institution

No data

AI问答

⁰