基于改进YOLOv8n的施工现场安全帽检测算法

来源：电子测量技术杂志2024年第13期北京时间：

作者：齐瑞洁，袁玉英，孙立云，乔世超

单位：山东理工大学计算机与技术学院 淄博 255022

摘要：建筑、采矿、勘探等施工现场是非常复杂且多样化的区域，在这类场景下进行安全帽佩戴检测时，会存在图像遮挡严重、小目标信息容易丢失的问题。为此本文提出了一种基于改进YOLOv8n的安全帽佩戴检测算法。首先，对YOLOv8n模型的C2f模块进行改进，融入改进后的倒置残差块注意力机制，使模型能够高效捕获全局特征，充分利用安全帽特征的关键信息；其次，结合SPPF模块和LSKA注意力机制，提出了SPPF-LSKA模块，提升网络对安全帽关键信息的关注度，避免实际复杂场景中背景信息对安全帽佩戴状态检测的影响；最后，使用Inner-SIoU损失函数优化网络模型，提升模型对安全帽佩戴状态检测的稳定性。实验结果表明，最终本文算法在复杂环境下安全帽佩戴状态检测的mAP@0.5达到了93.7%，较原YOLOv8算法的P、R、mAP@0.5和mAP@0.5:0.95分别提高了2.4%、4.0%、3.4%和5.3%，参数量降低了3.5%，计算量降低了5.9%，改善了安全帽佩戴状态检测误检和漏检的状况，便于实际检测应用的部署。

关键词：深度学习;YOLOv8;安全帽检测;注意力机制;损失函数

基金资助：国家自然科学基金(62076152)、淄博市科技型中小企业创新能力提升工程项目（2023tsgc0043）、张店区校城融合发展计划项目（2021JSCG0018）资助