针对复杂施工场景下安全帽检测算法存在小目标漏检问题,提出一种基于YOLOv5s的安全帽改进算法.首先,为提升多尺度特征融合效果和小目标信息利用率,在Efficient RepGFPN基础上引入浅层分支及转置卷积替换PAFPN,补充浅层小目标特征,减少上采样中小目标丢失的边缘信息.其次,采用DBBNet结构替换主干网络C3 瓶颈层中的残差结构,通过多分支结构将小目标与周围信息相关联,增强主干网络的小目标提取能力,同时使用空洞卷积及通道注意力改进SPP结构,保留更多小目标信息,为Efficient RepGFPN网络提供更优质特征图.最后,在自建施工场景安全帽数据集与最新的目标检测算法进行比较.实验结果表明,改进YOLOv5 算法召回率为 84.9%,平均精度达 90.1%;比原始YOLOv5s算法召回率提升 4.9%、平均精度提升 4.4%;对比最新的YOLOv6s 3.0、YOLOv7-tiny、YOLOv8s算法平均精度分别提升2.4%、3.1%和1.8%,在施工场景下对小安全帽具有较强的检测性能.
NETL
NSTL
万方数据
