基于CenterNet-GhostNet的选煤厂危险区域人员检测

摘要

选煤厂危险区域人员全身目标检测因粉尘、雾气干扰难以准确与生产环境背景区分,而人员头部特征相对易于辨识,且人头在监控视角下被遮挡的可能性较低,因此危险区域人员检测使用人员头部检测代替人员全身目标检测。目前基于深度学习的轻量化目标检测模型在特征提取时信息损失多,对人头目标的检测能力有限。针对该问题,提出了轻量化人员检测模型CenterNet-GhostNet。该模型以CenterNet网络为基础框架,将轻量化网络GhostNet与特征金字塔相结合作为特征提取网络,GhostNet对输入图像进行特征提取,提升网络特征表达能力,特征金字塔对GhostNet提取的不同分辨率的特征图中包含的信息进行融合,在提取高层语义特征的同时保留较多的细节信息;在较高分辨率的单个输出特征图上使用3个相互独立的卷积操作分支进行解码计算,以充分利用特征图包含的细节信息。实验结果表明:CenterNet-GhostNet模型对佩戴安全帽和未佩戴安全帽两类人头目标的检测精度分别为93.7%和91.7%,均优于通用的轻量化模型SSD-MobileNet、YOLOv4 Tiny和CenterNet-Res18;CenterNet-GhostNet模型部署在NVIDIA Jetson Nano上的单帧检测耗时为67 ms,满足选煤厂危险区域人员高精度、实时检测要求。