基于坐标注意力机制的轻量级安全帽佩戴检测

摘要

在安全帽佩戴检测中，存在着目标密集、遮挡等问题，现有的检测方法在精度和实时性方面表现不佳.针对此问题，提出一种轻量级的检测模型CA-YOLO,旨在提升检测的准确性与实时性.首先，使用MobileNetv3网络对YOLOv8的主干网络进行改进，减少参数量和计算量，提升网络的检测速度.在Neck部分引入DCNv3模块来提升模型在空间特征上的提取效率.其次，在网络中加入多尺度特征提取模块和坐标注意力机制模块，通过添加全局信息，丰富特征信息，提升网络特征提取效果.最后，将CIoU损失替换为Alpha-IoU函数，通过设定权重系数，加速对目标的学习过程，进一步提高检测的精度.实验结果表明，与YOLOv8模型和现有的经典及新颖算法相比，CA-YOLO模型的平均检测精度达91.33%,比YOLOv8模型提高0.54个百分点，模型大小和参数量分别减少41%和39%,检测速度提高16.9%.相较于其他模型，CA-YOLO模型在准确率和实时性方面取得了良好的平衡，满足了对作业人员安全帽佩戴检测的需求.

关键词

目标检测 / 安全帽佩戴检测 / YOLOv8 / 坐标注意力机制 / 轻量化