基于改进YOLOv5的安全帽检测算法

摘要

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题，设计实现了一种基于YOLOv5的改进目标检测算法，记为YOLOv5-GBCW.首先使用Ghost卷积对骨干网络进行重构，使得模型的复杂度有了显著降低；其次使用双向特征金字塔网络(BiFPN)加强特征融合，使得算法对小目标准确率提升；引入坐标注意力(Coordinate attention)模块，能够将注意力资源分配给关键区域，从而在复杂环境中降低背景的干扰；最后提出了Beta-WIoU作为边框损失函数，采用动态非单调聚焦机制并引入对锚框特征的计算，提升预测框的准确率，同时加速模型收敛.为了验证算法的可行性，以课题组收集的安全帽数据集为基础，选用了多种经典算法进行对比，并且进行了消融实验，探究各个改进模块的提升效果.实验结果表明：改进算法YOLOv5-GBCW相较于YOLOv5s算法，算法平均精确率(IOU=0.5)提升了5.8%，达到了94.5%，检测速度达到了124.6 FPS(每秒处理帧数)，模型更加轻量化，在复杂环境、密集场景和小目标场景下检测能力提升显著，并且同时满足安全帽检测精度和实时性的要求，给复杂施工环境下安全帽检测提供了一种新的方法.

关键词

安全帽 / 目标检测 / YOLOv5 / 注意力机制 / 双向特征金字塔网络

基金资助

国家自然科学基金委员会与神华集团有限责任公司联合资助项目（U1261212,U1361210）; 国家自然科学基金委员会与2020年度高速铁路基础研究联合基金资助项目(U2034205)