基于改进YOLOv5s的轻量化安全帽佩戴检测算法研究OA

针对建筑施工、工业生产等场景中安全帽佩戴检测面临的小目标识别精度低、模型计算复杂度高、难以在资源受限设备上部署等问题,提出了一种基于改进YOLOv5s的轻量化安全帽检测算法.首先,在检测头部分增加160×160分辨率的P2小目标检测层,将最小可检测目标尺寸从8×8像素降低至4×4像素,增强对远距离小尺度目标的感知能力;其次,在骨干网络第5层插入坐标注意力(CA)机制,通过捕获特征的通道信息与空间坐标维度关联特征,提升多尺度特征表达能力;最后,采用Ghost卷积替换骨干网络和颈部网络中的10个标准卷积层,显著降低模型参数量和计算复杂度.在Safety-Helmet-Wearing-Dataset数据集上的实验结果表明,改进模型相比基线YOLOv5s,平均精度均值(mAP@0.5)提升了1.7%(达到87.3%),精确率提升了0.5%(达到89.0%),召回率提升了1.2%(达到88.1%);参数量为8.11×106,减少了4.1%;浮点运算量(GFLOPs)为6.22,降低了14.3%.文中提出的改进方法实现了检测精度与模型效率的良好平衡,为智慧工地安全监控系统的实时化、轻量化部署提供了有效的技术支撑,具有较高的工程应用价值.