基于改进YOLOv5的骑行者头盔佩戴检测方法

来源：南京信息工程大学学报·自然科学版杂志2025年第4期北京时间：

作者：胡青松，单露露，刘许，李世银，孙彦景

单位：胡青松,中国矿业大学 地下空间智能控制教育部工程研究中心, 徐州, 221116;中国矿业大学 信息与控制工程学院, 徐州, 221116;中国矿业大学 徐州市智能安全与应急协同工程研究中心, 徐州, 221116,单露露,中国矿业大学 地下空间智能控制教育部工程研究中心, 徐州, 221116;中国矿业大学 信息与控制工程学院, 徐州, 221116;中国矿业大学 徐州市智能安全与应急协同工程研究中心, 徐州, 221116,刘许,中国矿业大学 地下空间智能控制教育部工程研究中心, 徐州, 221116;中国矿业大学 信息与控制工程学院, 徐州, 221116;中国矿业大学 徐州市智能安全与应急协同工程研究中心, 徐州, 221116,李世银,中国矿业大学 地下空间智能控制教育部工程研究中心, 徐州, 221116;中国矿业大学 信息与控制工程学院, 徐州, 221116;中国矿业大学 徐州市智能安全与应急协同工程研究中心, 徐州, 221116,孙彦景,中国矿业大学 地下空间智能控制教育部工程研究中心, 徐州, 221116;中国矿业大学 信息与控制工程学院, 徐州, 221116;中国矿业大学 徐州市智能安全与应急协同工程研究中心, 徐州, 221116

摘要：未佩戴或未正确佩戴头盔将对骑行人员生命安全造成重大威胁,人工督查不但工作量大效率低下,而且难以做到全区域全时段覆盖.本文提出一种基于改进YOLOv5的骑行者头盔佩戴检测方法,通过监控摄像头对骑行人员的头盔佩戴情况进行智能检测和自动识别.首先,构建了包括不同地点、不同视角、不同天气、不同时段的骑行者头盔佩戴数据集,为研究奠定基础.随后提出一种基于改进YOLOv5的头盔佩戴检测模型,通过改进YOLOv5的多尺度特征融合模块,提升小目标检测效果;引入ECA注意力机制,强化特征图融合效果,显著提升模型检测精度;基于GSConv对Neck部分进行轻量化处理,有效地降低模型的检测耗时.实验结果表明,本文算法对骑行者头盔佩戴情况具有良好的检测性能,mAP达到93.2％,相较YOLOX提升1.9个百分点,单张图片检测耗时15.23 ms,在保证较高检测速率的同时检测精度更高,具有一定的应用价值.

关键词：头盔检测;小目标检测;多尺度特征;注意力机制;模型压缩

基金资助：国家自然科学基金(51874299);山东省重大科技创新工程项目(2019JZZY02050 5);中国矿业大学工业物联网与应急协同创新团队资助计划(2020ZY002)