摘要
跟据国家安全生产监督管理局的数据显示，67.95%的建筑事故都是由于工人未佩戴安全帽而发生。传统人工巡检的方法已经不能满足现代施工安全管理的需求，开发一种先进的安全帽佩戴检测算法显得至关重要。本文以多种环境下的安全帽佩戴情况作为研究对象，以目标检测算法YOLOv4为基线进行改进，旨在设计精度更高，参数量更小，更具鲁棒性的安全帽佩戴检测算法。具体工作和算法创新如下： 针对目前安全帽佩戴检测数据集较少且代表性不强的情况，整合已有的安全帽佩戴数据集并手动标注了其他场景的相关图片进行扩充，此外，由于安全帽数据集中小目标众多，还搜集整合其他领域公开且有代表性的小目标数据集并进行算法泛化性的验证，并提供指导性建议。 提出基于YOLOv4改进的多尺度特征融合安全帽佩戴检测算法：YOLO-P。针对在安全帽佩戴检测时目标大小不一且以小目标为主，通过适应小目标检测的网络结构改进以及检测头anchor分配的优化，充分提取主干C2层中的特征，可以最大化利用浅层中小目标的信息。接着针对现场背景复杂，目标之间相互遮挡现象严重，提出基于PANet的多尺度特征融合结构：E-PAN模块，其通过临近上采样与相同尺度间残差有效滤除复杂背景信息，对特征进行充分融合并凸出前景信息。经验证，YOLO-P在安全帽佩戴检测的AP50和召回率高于YOLOv7等先进算法。 针对YOLO-P算法参数量高，计算量大，难以实际部署，提出轻量化算法YOLO-PL。首先提出利用残差空洞卷积结构增大感受野替代SPP模块方法，然后基于VoVNet设计轻量化的L-VoVN模块，引入OSA结构并在维持高精度情况下对YOLO-P进行轻量化改进，接着利用轻量化MP下采样模块对YOLO-P算法中下采样模块进行改进，最后在特征融合结构中引入Swish激活函数，最终使YOLO-PL和YOLO-P维持同样精度情况下，参数量和计算量均有所下降，推理速度也有所提升。本文设计了各种实验进行验证以及可视化分析，证明了YOLO-PL的在安全帽检测领域以及其他小目标检测领域的各项性能提升。
NETL