改进YOLOv5s的安全帽佩戴检测算法研究

摘要

针对安全帽佩戴目标检测算法参数多、推理速度慢以及检测准确率低等问题,提出基于改进YOLOv5s的安全帽佩戴检测算法研究。在主干网络添加坐标注意力机制(coordinate attention,CA),提高模型对关键特征的注意力,更聚焦训练安全帽相关目标特征,提高准确率;在特征提取网络引入结构重参数化技术(RepVGG),并在颈部网络融合鬼影混洗卷积(ghost-shuffle conv,GSConv)和VoV-GSCSP构造Slim-neck,在保证模型检测精度和泛化能力的同时,大幅降低模型参数量;设计使用SIoU优化边界框回归损失函数,提升预测框准确度和加快收敛速度。结果表明:改进算法的速度较原始YOLOv5s模型提高了49.51%,参数大小压缩了75.03%,平均精度均值提高了0.029,具有更好效果。