关键词:
安全帽佩戴检测
改进YOLOv5s
注意力机制
深度学习
摘要:
在施工中佩戴安全帽是高危行业的最佳防护措施之一。为了解决目前安全帽佩戴检测算法中小目标和密集目标检测困难的问题,对YOLOv5s检测算法进行了改进,提出了YOLOv5-GD检测算法用于安全帽佩戴检测。首先,为了提高YOLOv5s模型的检测精度,用FasterNet网络代替了其骨干网络,以提高计算效率和参数效率;其次,在YOLOv5s的骨干网络中添加了坐标注意力机制,将定位信息嵌入信道注意力中,使网络关注范围更广;再次,增加了小目标检测层,更好地理解多层次特征,可以使网络更加重视检测小目标,提高检测效果,从而增强模型的识别能力;最后,采用更先进的损失函数进行边界框回归(SIoU),可以提高模型训练过程中预测框的收敛速度和有效性。实验结果表明,YOLOv5-GD在自制安全帽数据集上的平均准确率为94.7%,比原始YOLOv5s算法提高了2.7%,在小物体和密集场景中具有更好的检测效果。