Resumen

De vez en cuando se producen incidentes de seguridad en los campus, que afectan gravemente a la seguridad pública. En los últimos años, el rápido desarrollo de la inteligencia artificial ha aportado apoyo técnico a la seguridad inteligente de los campus. Con el fin de reconocer y localizar rápidamente los objetivos peligrosos en el campus, se propone un modelo YOLOv3-Tiny mejorado para la detección de objetivos peligrosos. Dado que la mayor ventaja de este modelo es que puede alcanzar una mayor precisión con muy pocos parámetros que YOLOv3-Tiny, es uno de los modelos Tinier-YOLO. En este trabajo, los objetivos peligrosos incluyen objetos y acciones peligrosas. Las principales aportaciones de este trabajo son las siguientes: en primer lugar, la detección de objetos peligrosos y de acciones peligrosas se integra en un solo modelo, y el modelo puede lograr una mayor precisión con menos parámetros. En segundo lugar, para resolver el problema de la insuficiencia de la detección de objetivos de YOLOv3-Tiny, se propone una estructura de aprendizaje repetitivo por saltos (JRL), combinada con la agrupación de pirámides espaciales (SPP), que sirve como nueva red troncal de YOLOv3-Tiny y puede acelerar la velocidad de extracción de características al tiempo que integra características de diferentes escalas. Por último, el algoritmo soft-NMS y DIoU-NMS se combinan para reducir eficazmente la detección perdida cuando dos objetivos están demasiado cerca. Las pruebas experimentales realizadas con conjuntos de datos propios de objetivos peligrosos muestran que el valor medio del MAP del algoritmo JRL-YOLO es del 85,03%, lo que aumenta en un 3,22% en comparación con YOLOv3-Tiny. En el conjunto de datos VOC2007, el método propuesto tiene un aumento del 9,29% en la precisión de detección en comparación con el que utiliza YOLOv3-Tiny y un aumento del 2,38% en comparación con el que emplea YOLOv4-Tiny, respectivamente. Todos estos resultados evidencian la gran mejora en la precisión de la detección que aporta el método propuesto. Además, al probar el conjunto de datos de objetivos peligrosos, el tamaño del modelo de JRL-YOLO es de 5,84 M, que es aproximadamente una quinta parte del tamaño de YOLOv3-Tiny (33,1 M) y un tercio del tamaño de YOLOv4-Tiny (22,4 M), por separado.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:objetivo peligroso, precisión de la detección, menos parámetros, incremento porcentual, objeto peligroso, acción peligrosa, métodos propuestos, incidente de seguridad en el campus, valor medio del mapa, trajo soporte técnico
• Keywords:dangerous target, detection accuracy, fewer parameters, percent increase, dangerous object, dangerous action, proposed methods, campus security incident, average map value, brought technical support