改进的YOLOv5算法在安全帽检测的应用

佩戴安全帽可以有效保障建筑施工人员的人身安全.针对目前安全帽检测算法检测效率低,漏检率高的问题,本文提出了一种基于改进YOLOv5 网络模型的安全帽检测算法.首先,在YOLOv5 的骨干网络中插入混合注意力模块,降低特征提取网络的数据维度,使网络关注于图片中安全帽特定区域,提高网络的安全帽检测性能;然后,使用双向特征金字塔结构代替原网络中的特征金字塔结构,融合不同层级的特征并保留特征图中浅层信息,提高模型的计算效率;最后,使用EIoU作为网络的损失函数,提高改进模型的识别准确率.实验结果表明,改进模型在扩充的安全帽数据集上检测精度达到 83.1%,每秒检测速度为 48.1,相比于原始算法模型精度提高了 4.5%,检测速度提高了 1.5 帧.