YOLO-SP:面向工业安全的局部多尺度目标检测检测网络

摘要

在工业生产中，安全事故往往是由不规范的操作引起的.目前，在工业生产活动中存在着不同尺度之间数据的不平衡，导致了通用目标检测网络性能的检测准确率不足.为此，本文设计出一种适用于工业安全场景的目标检测算法——YOLO-SP,该算法通过引入滑动注意力检测(Swin-Transformer Detection, STD)模块及混合偏分损失函数(Partitioning Discrepancy, PD Loss),能够提升图像局部多尺度特征的提取能力，加强了传统YOLO模型在微小尺度目标检测上的性能.YOLO-SP通过巧妙的运用STD模块，在不显著增加计算负担的前提下，引入局部注意力机制，深入提取不同安全隐患之间的聚合性特征，使用显著的目标与细小目标的相关性，提高了细小目标的检测性能.同时设计了一种新颖的PD Loss,代入了工业先验知识，缓解了工业生产安全中不同尺度带来的数据不平衡问题.为验证本研究提出方法的有效性与实用性，本研究收集并创建了一个来自真实工业生产场景的工业安全(Industrial Safety, IS)数据集，复现了实际工业安全检测中遇到的困难，并在IS数据集及公开的VisDrone数据集上进行了实验.实验结果显示，在这两个数据集上的平均精度(mAP)分别达到了91.4%和65.5%,均实现了当前最佳性能水平.

关键词

安全管理 / 目标检测 / YOLO / 多尺度