基于Swin Transformer的YOLOv5安全帽佩戴检测方法

来源：计算机测量与控制杂志2023年第3期北京时间：

作者：郑楚伟,林辉

单位：韶关学院智能工程学院

摘要：针对目前施工现场的安全帽检测方法存在遮挡目标检测难度大、误检漏检率高的问题,提出一种改进YOLOv5的安全帽检测方法；首先,使用K-means++聚类算法重新设计匹配安全帽数据集的先验锚框尺寸；其次,使用Swin Transformer作为YOLOv5的骨干网络来提取特征,基于可移位窗口的多头自注意力机制能建模不同空间位置特征之间的依赖关系,有效地捕获全局上下文信息,具有更好的特征提取能力；再次,提出C3-Ghost模块,基于Ghost Bottleneck对YOLOv5的C3模块进行改进, 旨在通过低成本的操作生成更多有价值的冗余特征图,有效减少模型参数和计算复杂度；最后,基于双向特征金字塔网络跨尺度特征融合的结构优势提出新型跨尺度特征融合模块,更好地适应不同尺度的目标检测任务；实验结果表明,与原始YOLOv5相比,改进的YOLOv5在安全帽检测任务上的mAP@.5:.95指标提升了2.3%,满足复杂施工场景下安全帽佩戴检测的准确率要求。

关键词：安全帽佩戴检测;YOLOv5;Swin Transformer;Ghost;新型跨尺度特征融合;K-means++

基金资助：广东大学生科技创新培育专项资金资助项目(pdjh2022b0470)