CN118942033B 一种基于改进YOLOv9模型的高处作业吊篮人数检测方法 （内蒙古工业大学）

一种基于改进YOLOv9模型的高处作业吊篮本发明公开了一种基于改进YOLOv9模型的的YOLOv9模型框架，构建C2f_SE模块并替换YOLOv9主干网络中第三层、第五层、第七层的RepNCSPELAN4模块；用HWD_ADown替换主干网第在第二十一层的RepNCSPELAN4模块引入CBAM注2步骤2、搭建改进的YOLOv9模型框架，构建C2f_SE模块并替换YOLOv9主干网络中第三2δ1z))2.根据权利要求1所述的一种基于改进YOLOv9模型的高处作业吊篮人数检测方法，其3.根据权利要求2所述的一种基于改进YOLOv9模型的高处作业吊篮人数检测方法，其3步骤1.5、利用图像扩充对原始图像进行了扩充，具体扩充的方法为将每张图像进行4.根据权利要求3所述的一种基于改进YOLOv9模型的高处作业吊篮人数检测方法，其待检测数据图片首先通过CBS处理之后的特征进行Split分割成5.根据权利要求4所述的一种基于改进YOLOv9模型的高处作业吊篮人数检测方法，其6.根据权利要求5所述的一种基于改进YOLOv9模型的高处作业吊篮人数检测方法，其式中，IOU表示衡量两个边界框之间的重叠程度，d表示7.根据权利要求6所述的一种基于改进YOLOv9模型的高处作业吊篮人数检测方法，其45监控设备往往无法满足实时监测和准确性的需求。随着计算机视觉和深度学习的快速发三层、第五层、第七层的RepNCSPELAN4模块；用HWD_ADown替换主干网第六层、第八层的6示特征图的纵向索引，j表示特征图的横向索7[0036]因此，本发明采用上述一种基于改进YOLOv9模型的高处首先利用SE注意力机制与C2f模块融合构建成C2f_SE模块，用C2f_SE模块替换YOLOv9主干网络中的部分RepNCSPELAN4模块，同时将YOLOv9Backbone中的下采样模块ADown结合HWD8[0042]图5是本发明提供的原始YOLOv9与改进后的YOLOv9算法模型结果对比图，其中，[0044]以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本三层、第五层、第七层的RepNCSPELAN4模块；用HWD_ADown替换主干网第六层、第八层的9示特征图的纵向索引，j表示特征图的横向索[0063]待检测数据图片经过C2f_SE模块的具体内容如下：待检测数据图片首先通过CBS特征传递给下一个BottleNeck，一条则是保留下来用作后面的concat连接，然后经过3个现更高效的降采样。具体来说，HWD_ADown模块保留了ADown模块中的部分结构(如分块处SE模块，紧接着经过一个HWD_ADown下采样模块和一个C2f_SE模块，再然后经过一个HWD_PR表示人的精度是74.1这个数据集上(b)图的精度[0077]因此，本发明采用上述一种基于改进YOLOv9模型的高处首先利用SE注意力机制与C2f模块融合构建成C2f_SE模块，用C2f_SE模块替换YOLOv9主干网络中的部分RepNCSPELAN4模块，同时将YOLOv9Backbone中的下采样模块ADown结合HWD[0078]最后应说明的是：以上实施例仅用以说明本发明的技术