复杂施工场景下的安全帽佩戴检测算法

doi:10.3969/j.issn.1006-2475.2024.12.010

摘要/Abstract

摘要： 针对在施工现场中存在复杂的背景干扰及异物遮挡，从而降低安全帽检测准确度的问题，提出一种复杂施工场景下的安全帽佩戴检测算法。本文改进YOLOv5算法，添加坐标注意力机制（Coordinate Attention， CA），使用Stem Block替换主干网络中的前2层，应用一个添加了坐标注意力机制的解耦检测头（Decoupled detect Head， DH）结构，同时添加额外的大尺度特征提取层。在安全帽数据集上的实验结果表明，改进后的CADH-YOLOv5算法平均检测准确度达到91.2%，能够显著改善复杂施工环境下的安全帽佩戴检测性能，优于同类算法，同时具有一定的实时性。

关键词: 特征提取, 安全帽佩戴检测, 坐标注意力机制, 解耦检测头, 目标检测

Abstract: In view of complex background interference and foreign object occlusion in the construction scenes， which reduces the accuracy of helmet wearing detection， we propose a safety helmet wearing detection algorithm for complex construction scenes. This paper improves the YOLOv5 algorithm， adding the Coordinate Attention （CA） mechanism， replacing the first two layers in the backbone network using the Stem Block， applying a Decoupled detection Head （DH） structure with the addition of the Coordinate Attention mechanism. At the same time， an additional large-scale feature extraction layer is added. Results on the helmet dataset show that the improved CADH-YOLOv5 algorithm with a mean detection precision of 91.2% can significantly improve the performance of safety helmet wearing detection for complex construction scenes， which is superior to similar algorithms， and has limited real-time performance.

Key words: , feature extraction； safety helmet wearing detection； coordinate attention； decoupled detection heads； object detect

中图分类号:

TP391

刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.

LIU Yunhai1, Feng Guang1, WU Xiaoting2, YANG Qun2 . Safety Helmet Wearing Detection Algorithm for Complex Construction Scenes [J]. Computer and Modernization, 2024, 0(12): 66-71.

参考文献

［1］张苏，傅贵，殷文韬，等. 基于行为安全的安全帽事故原因分析及预防［J］. 煤矿安全， 2014，45（4）：229-232.
［2］李政谦，刘晖. 基于深度学习的安全帽佩戴检测算法综述［J］. 计算机应用与软件， 2022，39（6）：194-202.
［3］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks［C］// Proceedings of the 25th IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012：1097-1105.
［4］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［C］// Proceedings of the 25th IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015：91-99.
［5］李鹏. 基于目标检测与深度估计的施工现场安全预警关键技术研究与实现［D］. 成都：电子科技大学， 2021.
［6］孙国栋，李超，张航. 融合自注意力机制的安全帽佩戴检测方法［J］. 计算机工程与应用， 2022，58（20）：300-304.
［7］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016：779-788.
［8］ LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot multibox detector［C］// Computer Vision-ECCV 2016： 14th European Conference. Springer， 2016： 21-37.
［9］ LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. IEEE， 2017：2999-3007.
［10］ LI J， LI Y Y， VILLAVERDE J F， et al. A safety wearing helmet detection method using deep leaning approach［J］. Journal of Optics， 2024，53（2）：1163-1169.
［11］乔炎，甄彤，李智慧. 改进YOLOv5的安全帽佩戴检测算法［J］. 计算机工程与应用， 2023，59（11）：203-211.
［12］ JOCHER G， CHAURASIA A， STOKEN A， et al. Ultralytics/YOLOV5： v7.0-YOLOV5 SOTA realtime instance segmentation［J］. Zenodo， 2022. DOI:10.5281/zenodo.3908859.
［13］谢国波，唐晶晶，林志毅，等. 复杂场景下的改进YOLOv4安全帽检测算法［J］. 激光与光电子学进展， 2023，60（12）：129-137.
［14］ BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOV4： Optimal speed and accuracy of object detection［J］. arXiv preprint arXiv：2004.10934， 2020.
［15］ HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2021：13708-13717.
［16］ WANG R J， LI X， LING C X. Pelee： A real-time object detection system on mobile devices［C］// Proceedings of the 32nd Intemational Conference on Neural Information Processing Systems. ACM， 2018：1967-1976.
［17］ OTGONBOLD M E， GOCHOO M， ALNAJJAR F， et al. SHEL5K： An extended dataset and benchmarking for safety helmet detection［J］. Sensors， 2022，22（6）. DOI： 10.3390/s22062315.
［18］ WANG C Y， YEH I H， LIAO H Y M. YOLOv9： Learning what you want to learn using programmable gradient information［J］. arXiv preprint arXiv：2402.13616， 2024.
［19］ JOCHER G， CHAURASIA A， QIU J. YOLOv8［EB/OL］. （2023-01-10）［2024-03-01］. https：//github.com/ultralytics/ultralytics.
［20］ LIN T Y， MAIRE M， BELONGIE S， et al. Microsoft COCO： Common objects in context［C］// Computer Vision-ECCV 2014： 13th European Conference. Springer， 2014：740-755.
［21］ HU D C. An introductory survey on attention mechanisms in NLP problems［C］// Intelligent Systems and Applications： Proceedings of the 2019 Intelligent Systems Conference. Springer， 2020：432-448.
［22］ HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018：7132-7141.
［23］ WANG Q L， WU B G， ZHU P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020：11531-11539.
［24］ GE Z， LIU S T， WANG F， et al. YOLOX： Exceeding YOLO series in 2021［J］. arXiv preprint arXiv：2107.08430， 2021.
［25］ KIM S W， KOOK H K， SUN J Y， et al. Parallel feature pyramid network for object detection［C］// Proceedings of the 2018 European Conference on Computer Vision. Springer， 2018：239-256.
［26］ LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018：8759-8768.
［27］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016：770-778.
［28］ LARXEL. Safety Helmet Detection ［EB/OL］. （2020-08-11）［2024-03-01］. https：//www.kaggle.com/datasets/andrewmvd/hard-hat-detection.

[1]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.
[2]	程萌, 李浩. 改进YOLOv5s的落叶树鸟巢检测方法[J]. 计算机与现代化, 2024, 0(08): 24-29.
[3]	孙睿琦1, 窦修超2, 李志华1, 蒋雪梅2, 孙宇豪1. 基于改进YOLOv5的复杂路况密集行人检测方法[J]. 计算机与现代化, 2024, 0(05): 85-91.