摘要
随着经济的快速发展，近年来我国的城市化进程不断加快，由此带来的建筑安全问题也越来越多。大多数建筑行业环境错综复杂，高空坠物的现象偶有发生，佩戴安全帽可以保护施工人员的人身安全，减轻对头部的伤害。目前，传统的安全帽佩戴检测通常依赖于人工监管，这种方式存在成本高、效率低等问题。随着人工智能技术的不断发展，基于深度学习的目标检测技术逐渐应用到安全防护领域中，利用目前比较流行的YOLOv5s目标检测算法对安全帽佩戴进行检测，既提高了检测效率，又节省了人力。然而在实际应用中，受到外部环境、拍摄角度等因素的影响，导致 YOLOv5s 算法在进行安全帽佩戴检测时存在检测精度低、误检、漏检和实时性差等问题。因此，本文针对以上问题采用改进的 YOLOv5s网络，提出安全帽佩戴检测算法。主要工作如下： （1）为了解决安全帽佩戴检测算法精度低，在复杂环境下对小目标、密集目标和遮挡目标存在误检和漏检等问题，本文提出了一种基于改进 YOLOv5 的安全帽佩戴检测算法。该算法采用超级下采样模块 CPC，获取更多纹理特征，减少重要信息丢失；融合全新空间金字塔池化模块，不同尺度的池化进行融合，对特征有效挑选；修改网络中的Neck结构，增加小目标检测层，提升小目标检测精度；使用多并联网络CC3模块，解决了特征提取过程中相似度损失的问题，提高对特征的表达能力。实验结果表明，改进后的算法在检测精度上有所提升，检测效果和识别准确率明显改善。 （2）为了解决安全帽佩戴检测算法实时性不高的问题，使算法模型更加轻量化，提高检测速度，本文提出了一种基于改进 YOLOv5 的轻量化安全帽佩戴检测算法。该算法采用Ghost模块替换S-SPPF模块和CPC模块中的普通卷积，减少模型的参数量，消除冗余特征图；将轻量化的深度卷积应用到颈部网络中，降低网络的计算成本，提高特征融合效率；使用SIoU代替YOLOv5s初始的边界框回归损失函数 CIoU，使预测框定位更加准确，实现更快地收敛。实验结果表明，改进后的轻量化算法具有相对均衡的性能，在模型相对较小的情况下保持着较高的检测精度和较快的检测速度。 （3）开发了一个安全帽佩戴检测系统，将训练好的算法权重导入系统中，通过图片、视频或摄像头进行检测，输出检测结果。该系统能够实时展示施工人员是否佩戴安全帽，对保护施工人员的人身安全具有重要意义。
NETL