科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于PC端的施工人员不安全行为识别模型计算复杂度高、模型体积大，不适合在边缘设备上运行，提出了一种基于双流CNN与Bi-LSTM的轻量级识别模型。模型主要包含双流CNN特征提取、特征融合和行为分类3个模块，在双流CNN特征提取模块中使用高效的轻量化网络ShuffleNetV2代替传统CNN以提升计算效率，同时添加卷积注意力模块获取关键特征以提高行为识别准确率；在特征融合模块中引入Bi-LSTM网络获取视频前后的关联信息，实现双流特征融合；在行为分类模块中利用注意力机制实现自适应分配权重，从而进一步提升施工人员不安全行为识别的准确率。最后，采用UCF-101数据集和自建数据集进行模型训练和验证，该模型的累加乘积操作次数为7.73 G,参数量为5.38 M,均优于传统的双流CNN方法；此外，模型在2个数据集上的识别准确率分别为94.3%和94.8%,均优于双流CNN-MobileNetV3等其他轻量级模型。实验结果表明所提模型相对于传统双流CNN具有更低的计算复杂度、更小的模型参数量以及更高的识别准确率，适合在资源受限的边缘设备上部署与运行。
-
单位西安科技大学; 通信与信息工程学院
