Algoritmo de Detecção de Objetos Pequenos Industriais com Extração de Recursos Aprimorada YOLO baseado em Atenção de Campo Receptivo e Recursos em Múltiplas Escalas

Resumo Para garantir a estabilidade e segurança da produção industrial, é necessário regular o comportamento dos funcionários. No entanto, a alta complexidade de fundo, a baixa contagem de pixels, a oclusão e a aparência difusa podem resultar em uma alta taxa de vazamento e baixa precisão de detecção de objetos pequenos. Considerando os problemas acima, este artigo propõe o algoritmo EFE-YOLO (Extração de recurso aprimorada - Você Só Olha Uma Vez) para melhorar a detecção de objetos pequenos industriais. Para melhorar a detecção de objetos difusos e ocluídos, o módulo de upsampling PSRFA (PixelShuffle e Atenção de Campo Receptivo) é projetado para preservar e reconstruir informações mais detalhadas e extrair os pesos de atenção do campo receptivo. Além disso, o módulo de downsampling MSE (multi-escala e eficiente) é projetado para mesclar recursos semânticos globais e locais para aliviar o problema de detecções falsas e perdidas. Subsequentemente, o módulo AFAF (Ajuste e Fusão de Recursos Adaptativos) é projetado para destacar os recursos importantes e suprimir informações de fundo que não são benéficas para a detecção. Finalmente, a função de perda EIoU é usada para melhorar a velocidade de convergência e a precisão de localização. Todos os experimentos são conduzidos em um conjunto de dados feito em casa. O algoritmo YOLOv5 melhorado proposto neste artigo melhora o mAP@0.50 (média de precisão média a um limite de 0.50) em 2,8% em comparação com o algoritmo YOLOv5. A precisão média e o recall de objetos pequenos mostram uma melhoria de 8,1% e 7,5%, respectivamente. O desempenho de detecção continua a ser líder em comparação com outros algoritmos avançados.