多尺度边缘增强与空间记忆注意力驱动的头盔检测算法OA

针对交通监控场景中头盔检测面临的形状相似性干扰、极端尺度变化与复杂遮挡挑战,现有检测方法存在精度不足、易产生误检漏检以及模型复杂度过高的问题,提出一种基于YOLO11的轻量级头盔检测模型Edge-YOLO。提出一种新的多尺度边缘信息选择模块(multi-scale edge information selection,MSEIS),通过自适应池化结合通道分割策略、边缘增强模块(EdgeEnhancer)和双域选择机制(dual domain selection mechanism,DSM),强化头盔规则轮廓与干扰物不规则边界的几何差异识别能力。提出空间记忆增强注意力模块(spatial memory enhanced attention,SMEA),集成跨模块空间记忆机制、多认知视觉适配器(multi-cognitive visual adapter,Mona)和空间增强前馈网络(spatially-enhanced feedforward network,SEFN),处理复杂遮挡场景。构建小目标增强金字塔(small object enhanced feature pyramid network,SOEFPN),采用空间重组卷积(space-to-depth convolution,SPDConv)和跨阶段全核模块(cross-stage OmniKernel,CSOK),显著提升小目标的检测能力。设计轻量级共享卷积分离批量归一化检测头(lightweight shared convolutional separate batch normalization detection head,LSCSBD),通过参数共享策略和分离批量归一化机制,在保持检测精度的同时实现模型轻量化。实验表明,Edge-YOLO相比原YOLO11模型,精度达到93.5%,召回率为82.5%,mAP@0.5为90.2%,mAP@0.5:0.95为63.0%,参数量减少8%,为智能交通监控系统中的头盔佩戴实时检测提供了高效实用的解决方案。