TCRSF

来自华中科技大学的学者公布了一个高质量的安全服和头盔检测的数据集项目，相信对做“智慧工地”“安全监控”的朋友肯定有帮助。

Towards Complex Real-World Safety Factory Inspection: A High-Quality Dataset for Safety Clothing and Helmet Detection

论文作者：Fusheng Yu,Xiaoping Wang,Jiang Li,Shaojin Wu,Junjie Zhang,Zhigang Zeng

作者单位：华中科技大学

论文链接：http://arxiv.org/abs/2306.02098v1

代码和数据链接（尚未开源）：https://github.com/sofffty/TCRSF

在建筑工地上，安全服和头盔对于保障工人的安全至关重要。近年来，深度学习方法在计算机视觉领域引起了广泛关注，因为它们有潜力提高各个行业的安全性和效率。目前已经有相关应用落地，但是缺少高质量数据集阻碍了深度学习方法在安全服和头盔检测方面的进一步发展。

华科的这项研究提出了一个大型、全面、逼真的高质量数据集，用于安全服和头盔检测。这个数据集是从一个真实的化工厂收集的，并由专业的安全检查员进行了标注。研究人员将该数据集与几个现有的开源数据集进行了比较，并应用了一些经典的目标检测方法来验证其有效性。

结果表明，这一数据集覆盖的场景更广，更贴近实际，在实际环境中表现更好。

此外，研究人员将会把他们的代码公开，以鼓励采用更多的类似研究。

现有的其他数据集和该研究提出的数据集TCRSF的样例比较：

相比于从互联网图像搜集的数据，数据集TCRSF来自真实场景，更具真实感。

作者回顾了深度学习目标检测的技术发展：

 将安全服和头盔检测看作一个目标检测问题，上述算法都可以用于这一场景。

该文提出的数据集TCRSF与其他数据集的统计比较：

类别、样本和实例更多。

不同光线情况下的数据样例： 

可见数据集TCRSF包含多种光照情况采集的数据，室内、室外、强对比对、明暗变化剧烈等。 

该数据集中不同光照场景的数据量统计： 

数据集中的类别分布： 

YOLOv5 在该数据集上的评测结果，不同类别的mAP: 

不同检测算法在该数据集的表现： 

可见作者选择的这些算法的结果差距不大。

不同检测算法在数据集上精度和fps的比较：

可见，YOLOv5是一个不错的选择。

更多的YOLOv5的检测结果：

 相信这个项目对做工程和研究的人都很有价值，期待作者早日公布数据和代码！

 

原创作者: whaosoft 转载于: https://blog.51cto.com/whaosoft/11689957