ترجمه فارسی مقاله تشخیص هدف دنده محافظ ایمنی با استفاده از yolov5 بهبود یافته

چکیده

In high-risk railway construction, personal protective equipment monitoring is critical but challenging due to small and frequently obstructed targets. We propose YOLO-EA, an innovative model that enhances safety measure detection by integrating ECA into its backbone’s convolutional layers, improving discernment of minuscule objects like hardhats. YOLO-EA further refines target recognition under occlusion by replacing GIoU with EIoU loss. YOLO-EA’s effectiveness was empirically substantiated using a dataset derived from real-world railway construction site surveillance footage. It outperforms YOLOv5, achieving 98.9% precision and 94.7% recall, up 2.5% and 0.5% respectively, while maintaining real-time performance at 70.774 fps. This highly efficient and precise YOLO-EA holds great promise for practical application in intricate construction scenarios, enforcing stringent safety compliance during complex railway construction projects.

چکیده به فارسی (ترجمه ماشینی)

در ساخت و ساز ریلی پرخطر ، نظارت بر تجهیزات محافظ شخصی به دلیل اهداف کوچک و مکرر مانع بسیار مهم است اما چالش برانگیز است.ما Yolo-EA را پیشنهاد می کنیم ، یک مدل نوآورانه که با ادغام ECA در لایه های حلقوی ستون فقرات آن ، تشخیص اندازه گیری ایمنی را تقویت می کند و باعث بهبود تشخیص اشیاء کوچک مانند هارد ها می شود.YOLO-EA با جایگزینی GIOU با از دست دادن EIOU ، به رسمیت شناختن هدف تحت انسداد می پردازد.اثربخشی Yolo-EA از نظر تجربی با استفاده از یک مجموعه داده حاصل از فیلم های نظارتی در سایت ساخت و ساز راه آهن در دنیای واقعی اثبات شد.این از YOLOV5 بهتر است ، با دقت 98.9 ٪ و 94.7 ٪ فراخوان ، به ترتیب 2.5 ٪ و 0.5 ٪ ، در حالی که عملکرد زمان واقعی را در 70.774 فریم در ثانیه حفظ می کند.این YOLO-EA بسیار کارآمد و دقیق وعده های بزرگی را برای کاربردهای عملی در سناریوهای ساختمانی پیچیده ، اجرای انطباق دقیق ایمنی در طی پروژه های پیچیده ساخت و ساز راه آهن دارد.