基于YOLOv8n的施工现场安全帽佩戴检测研究OA

为提高施工现场安全帽佩戴监管的自动化与实时化水平,文中针对复杂场景下人工巡检效率低、连续监测能力不足等问题,开展了基于YOLOv8n的安全帽佩戴检测研究.首先,采集建筑工地、工厂和仓储等场景图像,构建包含"helmet"和"no-helmet"两类目标的数据集,并采用归一化、随机裁剪、缩放、色彩抖动及Mosaic增强等方法进行预处理;其次,基于YOLOv8n预训练模型开展微调训练,利用C2f骨干网络、PAN-FPN特征融合结构以及Anchor-Free解耦检测头完成目标识别;最后,采用Precision、Recall、mAP@0.5和mAP@0.5:0.95对模型性能进行评价,并在图片、视频和摄像头场景下进行应用验证.结果表明:该模型训练过程稳定收敛,综合Precision达到0.914,Recall达到0.872,mAP@0.5达到0.924,mAP@0.5:0.95达到0.614,能够较准确地区分佩戴与未佩戴安全帽的目标.研究表明,所提方法具有较好的检测精度和工程应用潜力,可为施工现场智能安全监管提供技术支撑.