复杂作业环境下安全帽实时检测算法研究

作者：胡启军; 潘学鹏; 余洋^*; 刘瑞; 潘莉

来源：安全与环境学报, 2023, 1-11.

DOI：10.13637/j.issn.1009-6094.2023.0922

• 安全工程
• 安全帽识别
• YOLOv5
• 坐标注意力
• 特征融合
• 损失函数

为解决建筑工地安全帽背景复杂时检测精度不高，安全帽目标太小不易检测等问题，本文以YOLOv5框架为基础，提出了一种复杂作业环境下安全帽实时检测算法。首先，在网络中添加坐标注意力机制模块，以抑制无效背景对目标的干扰并提高网络对目标特征的提取能力；其次，在特征融合层引入自适应空间特征融合模块，使网络能自动学习不同特征层的权重，从而增强特征融合能力；最后，采用缩放交并比损失替代完整交并比损失作为边界框损失函数，以解决预测框在回归时的随意匹配问题，进一步提高模型的检测精度并加速收敛速度。试验结果表明：相较于原始YOLOv5模型，改进后的网络精度提升了2.3%，平均精度均值提高了2.1%，达到了95.6%，有效提高了复杂环境下安全帽的检测能力。

• 单位
  西南石油大学