原文对照报告・研究生版维普论文检测系统研究生版VIP PAPER CHECK SYSTEM报告编号：776064bf16d3ff82检测时间：2022-05-2911：08：01题目：施工作业现场典型违规行为视频检测技术研究作者：王韬涛检测字符数：27711单位：武汉理工大学全文总相似比复写率他引率自引率专业术语检测结论：4.03%0.0%0.0%0.0%其他指标：自写率：95.97%高频词：训练，网络，检测，计算，模型典型相似文章：无指标说明：复写率：相似或疑似重复内容占全文的比重他引率：引用他人的部分占全文的比重自引率：引用自己已发表部分占全文的比重自写率：原创内容占全文的比重典型相似性：相似或疑似重复内容占全文总相似比超过30%专业术语：公式定理、法律条文、行业用语等占全文的比重相似片段：总相似片段期刊：0博硕：5综合：025外文：0自建库：20互联网：0检测范围：中文科技期刊论文全文数据库中文主要报纸全文数据库中国专利特色数据库博士/硕士学位论文全文数据库中国主要会议论文特色数据库港澳台文献资源外文特色文献数据全库维普优先出版论文全文数据库互联网数据资源/互联网文档资源高校自建资源库图书资源古籍文献资源个人自建资源库年鉴资源IPUB原创作品时间范围：1989-01-01至2022-05-291・原文对照报告・研究生版・原文对照颜色标注说明：■自写片段■复写片段（相似或疑似重复）口引用片段（引用）■专业术语（公式定理、法律条文、行业用语等）武汉理工大学毕业设计（论文）◆施工作业现场典型违规行为视频检测技术研究学院（系）：计算机与人工智能学院专业班级：计算机1805学生姓名：王韬涛指导教师：姚寒冰学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包括任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。作者签名：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权省级优秀学士论文评选机构将本学位论文的全部或部分内容编入有关数据进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密口，在年解密后适用本授权书2、不保密。(请在以上相应方框内打“√”)作者签名：年月日导师签名：年月日摘要工地、港口等施工作业现场常出现不戴安全帽、吸烟等违规行为，这些违规行为易造成重大安全事故，影响现场人员的生命安全。虽然施工作业现场己经详细地罗列注意事项和规范，但是现场事故仍然频繁发生。一些施工区域会配备专员去监督工作人员地行为规范，但是配备专员不仅成本高，而且对现场时刻监督不切实际。基于费时费力，效率不高的监督现状，一种能实时监督的视频检测技术的实现显得极为重要。本文将对施工作业现场典型违规行为的监督作为研究背景，使用Y0L0v5算法识别视频图像中出现的典型违规行为。本文研究的主要内容有：①Y0L0v5网络结构：②Y0L0v5的训练策略：③YOL0v5的输出处理。为了提升模型精度，本文在YOLOv5网络结构中使用3种注意力机制，它们分别是卷积块注意力CBAM、挤压激发方法SE、坐标注意力CA。最后，使用商汤科技和香港中文大学开发的nmdetection深度学习目标检测工具箱将YOL0v5和其他基于深度学习的目标检测算法进行对比研究。实验结果表明，使用YOL0v5算法的视频检测器基本满足对典型违规行为的视频检测需求。本文设计一种使用2・原文对照报告・Y0LOv5算法实现对施工现场违规行为的视频检测技术，为后续管理人员实施监管施工作业现场的方法提出了一种可能：使用注意力机制尝试优化网络，为YOL0v5网络优化方法提供了一种可能思路。关键词：违规行为：目标检测：注意力机制AbstractViolations such as not wearing helmets and smoking are common at construction sites such assites and ports,and these violations can easily lead to major safety accidents and affect the livesof people on site.Despite the detailed list of precautions and regulations on construction sites,accidents still occur frequently on site.Some construction areas have specialists to monitor staff's behaviour,but these are not only costly but also impractical to monitor at all times.Given thetime-consuming and inefficient nature of this supervision,it is vital that a video inspectiontechnology is implemented that allows for real-time supervision.In this paper,the supervision of typical violations at construction job sites is used as theresearch context,and the YOLOv5 algorithm is used to identify typical violations that appear invideo images.The main areas of research in this paper are:(i)the YOLOv5 network structure;(ii)the YOLOv5 training strategy;and (iii)the YOLOv5 output processing.In addition to studying theimplementation of the YOLOv5 algorithm,this paper adds an attention mechanism to the YOLOv5 networkstructure in an attempt to improve the network accuracy,where the attention mechanism is amechanism that allows the neural network to focus on key information.Finally,a comparison studybetween YOLOv5 and other deep learning-based target detection algorithms is conducted using themmdetection deep learning target detection toolkit developed by Shang Tang Technology and theChinese University of Hong Kong.The experimental results show that the video detector using the YOLOv5 algorithm basically meetsthe video detection requirements for typical violations.Compared to other target detectionalgorithms,YOLOv5 has a very significant advantage in terms of accuracy.This paper proposes atechnique for video detection of construction site violations using the YOLOv5 algorithm,suggestinga possible way for subsequent managers to implement a method for supervising construction job sites;using an attention mechanism to try to optimise the network providing a possible idea for a YOLOv5network optimisation method.Keywords:Violations;Target Detection;Attention Mechanisms目录第1章绪论··········11.1研究目的和意义····1.2目标检测技术研究现状1.3主要工作内容········第2章基于YOL0v5施工现场典型违规行为视频检测·2.1数据集准备···················2.2训练准备2.2.1 Mosaic数据增强·····3