基于ODEM–YOLO的水泥骨料生产车间工人安全穿戴检测模型

摘要

针对水泥骨料生产车间监控视频中工人安全穿戴检测中多尺度小目标识别困难、漏检误检频繁以及实时检测效率不高等问题，本文提出了一种基于改进YOLOv8的轻量化目标检测模型ODEM–YOLO（Omni-dimensional efficient attention and multiscale enhancement YOLO）.首先，在YOLOv8基础上引入全维动态卷积（ODConv）模块，增强浅层特征提取能力，有效捕获小目标的关键特征；其次，结合改进的高效多尺度注意力机制（iEMA）优化Neck网络，有效提高多尺度目标的特征表达能力；同时，提出C2f多尺度边缘信息增强（C2f＿MSEIE）模块显式增强目标边缘信息，提高对安全装备边界特征的识别精度.实验基于实际水泥骨料车间监控数据，构建了包含9877个多尺度小目标样本的数据集，开展模型性能评估.实验结果表明，ODEM–YOLO模型在保持结构轻量化（6.9 MB）的同时，整体检测精度（m AP@0.5）达到0.896，小目标（口罩）检测精度（AP@0.5mask）达到0.746，单图推理时间达8.2 ms，优于YOLOv5n、YOLOv10n等主流模型.并且在NVIDIA Jetson Nano B01嵌入式设备上实际部署测试达到25 frame·s^–1的实时检测效果，充分满足工业现场实时安全监控需求.

关键词

安全穿戴检测 / 小目标检测 / 多尺度检测 / YOLO / 高效多尺度注意力(EMA) / 全维动态卷积(ODConv)

基金资助

国家自然科学基金资助项目（52074302）; 北京市自然科学基金资助项目（8212015）