摘要
在我国建筑和工业生产等行业，大多数安全事故由高处坠落和物体撞击引起。作为关键的个人防护装备，安全帽可以显著降低这类事故对头部的伤害。目前，多数工地仍依赖人工目视检查安全帽佩戴情况，这种方法既耗时又易出错。因此，实现施工现场的智能化管理，实时监控工人佩戴安全帽的状态，具有极其重要的实际价值。 在众多基于深度学习的目标检测技术中，本研究选用了无锚框的YOLOv8算法作为研究基础，简化了检测框架，增强对不同尺度目标的适应性，拥有更高的检测效率和速度以及定位精度。然而，由于施工现场环境的复杂性，YOLOv8在安全帽检测任务中可能会出现漏检和误检问题，且由于目标检测模型的参数量庞大，难以将其部署在施工现场等资源限制的设备上。因此，本研究将对此算法进行优化，来提升其在安全帽佩戴检测中的表现。本文的研究主要包括以下几个方面： （1）为了解决原有YOLOv8模型在对复杂环境中安全帽佩戴的检测存在的问题，提出了一种基于注意力机制的多尺度检测方法TA-YOLOv8。首先引入双维度注意力机制TDAM，使模型同时关注通道和空间信息。接着整合了ASPP金字塔，通过不同采样率的空洞卷积来捕获多尺度信息，这使得模型能够更有效地处理来自不同距离的目标，尤其提升在检测小目标安全帽时的检测性能。最后通过实验对比发现，该方法的mAP@0.5达到92.2%，相比原模型YOLOv8提高了5.3%，FPS达到了102帧，在安全帽检测任务上的精确度有了明显提升，且与检测速度也达到了良好的平衡。 （2）为解决目前安全帽检测方法存在的参数量和计算量大的问题，提出一种轻量化检测方法GI-YOLOv8，首先采用GhostNet中的轻量化模块来替换传统网络的标准卷积层和Bottleneck结构，以此减少模型的参数量与复杂性。其次，为了补偿轻量化模型可能带来的性能下降，引入了Inner-IoU损失函数，进一步加快模型收敛，并提升整体检测精度。经过一系列对比实验，结果显示该方法在降低模型的参数量和计算量方面表现出色，与原模型相比，参数量和计算量分别降低了69%和70%。此外，该模型的mAP@0.5达到了90.8%，并且每秒131帧的处理速度满足了实时性检测的要求。
NETL