周華平，郭依文，孫克雷

(安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，安徽 淮南 232001)

近年來(lái)，我國(guó)的建筑行業(yè)快速發(fā)展，但是安全事故卻時(shí)有發(fā)生，導(dǎo)致許多人員傷亡以及大量財(cái)產(chǎn)損失。據(jù)調(diào)查，超過(guò)6成的安全事故導(dǎo)致的人員傷亡是因?yàn)槭┕がF(xiàn)場(chǎng)的工人們安全意識(shí)較低，違反施工現(xiàn)場(chǎng)的規(guī)章制度沒(méi)有佩戴安全帽所造成的。為了能夠有效地改善這種情況，及時(shí)地發(fā)現(xiàn)和預(yù)防事故的發(fā)生，實(shí)時(shí)地檢測(cè)安全帽佩帶情況， 就成了我國(guó)各類(lèi)工程項(xiàng)目的施工環(huán)境下保障人員生命財(cái)產(chǎn)和施工安全的重要保障。就目前來(lái)看，我國(guó)的大多數(shù)施工現(xiàn)場(chǎng)沒(méi)有安全帽檢測(cè)設(shè)備，或主要依靠傳統(tǒng)的人工檢查方法和視頻監(jiān)控的方式進(jìn)行安全帽佩戴檢測(cè)，這樣會(huì)導(dǎo)致一些施工人員在無(wú)人監(jiān)管的條件下因放松安全意識(shí)而不佩戴安全帽或者由于監(jiān)控設(shè)備角度的問(wèn)題而造成錯(cuò)檢漏檢等情況的發(fā)生[1]。

隨著近年來(lái)深度學(xué)習(xí)技術(shù)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在針對(duì)計(jì)算機(jī)視覺(jué)的各種識(shí)別任務(wù)中都取得了比較令人滿(mǎn)意的效果。深度學(xué)習(xí)[2]目標(biāo)檢測(cè)算法可以分為兩類(lèi)，第一類(lèi)是兩步目標(biāo)檢測(cè)算法。即基于區(qū)域生成候選框，然后進(jìn)行分類(lèi)。這種算法檢測(cè)精度相對(duì)來(lái)說(shuō)較高，但花費(fèi)的時(shí)間較多，典型的算法主要有R-CNN[3]、Faster R-CNN[4]等。第二類(lèi)是單步目標(biāo)檢測(cè)算法。采用端到端的方式來(lái)預(yù)測(cè)整個(gè)圖像，同時(shí)完成目標(biāo)位置的檢測(cè)和分類(lèi)。這種算法檢測(cè)精度相對(duì)低一些，但是檢測(cè)的速度快。最具代表性的算法分別是SSD[5]和YOLO[6]等目標(biāo)檢測(cè)算法。安全帽檢測(cè)便是目標(biāo)檢測(cè)應(yīng)用領(lǐng)域中的一種。到目前為止，國(guó)內(nèi)外已有諸多學(xué)者對(duì)安全帽檢測(cè)進(jìn)行了一系列相關(guān)研究[7]。2018a，文獻(xiàn)[8]提出使用一種高精度、高速度和廣泛適用的Faster R-CNN方法來(lái)檢測(cè)建筑工人的安全帽佩戴情況，雖然在準(zhǔn)確率上有了較大的提高，但是運(yùn)行效率相對(duì)較低。2019a，文獻(xiàn)[9]提出了基于Faster R-CNN的改進(jìn)模型，用于檢測(cè)摩托車(chē)手有沒(méi)有正確地佩戴安全頭盔，并使用一系列帶有字符串編碼的卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)和一個(gè)空間轉(zhuǎn)換器來(lái)識(shí)別沒(méi)有佩戴安全頭盔的摩托車(chē)手的車(chē)牌號(hào)碼。2020a，文獻(xiàn)[10]提出了兩種安全帽的檢測(cè)方法，一種是基于人工特征的，另一種是使用CNN的。實(shí)驗(yàn)結(jié)果表明，所提出的CNN模型的執(zhí)行精度最好，而基于特征的模型的檢測(cè)速度更快。2021a，文獻(xiàn)[11]提出了一種等級(jí)SSD 模型，雖然可以在很大程度上降低誤檢率并提高環(huán)境的適應(yīng)性，但其運(yùn)行效率并不高。

針對(duì)以上所述安全帽檢測(cè)的優(yōu)缺點(diǎn)，本文采用改進(jìn)YOLOv5的檢測(cè)算法進(jìn)行研究。主要的改進(jìn)方式如下：

(1)為了能夠更好地檢測(cè)小目標(biāo)，并提高對(duì)小目標(biāo)的檢測(cè)準(zhǔn)確性，在YOLOv5主干網(wǎng)絡(luò)的基礎(chǔ)上增加一層160*160尺度大小的有效特征提取網(wǎng)絡(luò)，并且改進(jìn)頸部的特征金字塔結(jié)構(gòu)，使得特征融合進(jìn)一步得到加強(qiáng)，增強(qiáng)模型對(duì)安全帽檢測(cè)的特征融合過(guò)程；

(2)在主干網(wǎng)絡(luò)中引入ECA-Net有效通道注意力模塊，更加關(guān)注安全帽檢測(cè)中小目標(biāo)的特征信息，增強(qiáng)模型對(duì)小目標(biāo)檢測(cè)的性能；

(3)引入CIOU-NMS替換NMS，使得網(wǎng)絡(luò)不僅考慮到預(yù)測(cè)框和真實(shí)框之間的重疊面積，而且考慮到兩個(gè)框之間的中心點(diǎn)的距離和寬高比，解決對(duì)安全帽檢測(cè)中重疊和遮擋目標(biāo)錯(cuò)檢、漏檢的問(wèn)題，提升對(duì)重疊和遮擋目標(biāo)檢測(cè)的精確性。

1 相關(guān)工作

1.1 YOLOv5算法介紹

YOLOv5[12]提供了4種不同型號(hào)的YOLOv5算法，分別是YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。本文是在YOLOv5s算法的基礎(chǔ)上進(jìn)行改進(jìn)。YOLOv5s目標(biāo)檢測(cè)網(wǎng)絡(luò)主要由3部分組成，分別是：特征提取的主干部分(Backbone)、特征融合的頸部部分(Neck)和目標(biāo)檢測(cè)的輸出部分(Head)。YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

從圖1可知，YOLOv5的主干部分側(cè)重于從輸入圖像中提取特征信息，頸部將提取的特征信息融合，生成3個(gè)尺度的特征圖，輸出部分從這些生成的特征圖中檢測(cè)出對(duì)象。在主干網(wǎng)絡(luò)中Focus模塊先進(jìn)行切片操作，然后進(jìn)行連接，其目的是在降維的過(guò)程中能夠更好地提取特征信息。CBL模塊由卷積[13]、歸一化和Leaky_Relu[14]激活函數(shù)等模塊構(gòu)成。CSP[15]網(wǎng)絡(luò)通過(guò)跨層連接來(lái)連接網(wǎng)絡(luò)的前后層，這樣可以通過(guò)減少模型的大小來(lái)提高推理速度，同時(shí)保持較高的精度。SPP[16]模塊是指空間金字塔池化模塊，執(zhí)行不同內(nèi)核大小的最大池化，并通過(guò)將特征連接在一起來(lái)融合。Concat模塊表示張量連接操作。Neck網(wǎng)絡(luò)是一系列混合和組合圖像特征的特征聚合層，主要是由FPN和PAN的特征金子塔結(jié)構(gòu)構(gòu)成。當(dāng)輸入圖片的大小為640*640時(shí)，在YOLOv5的主干網(wǎng)絡(luò)中會(huì)生成3個(gè)不同尺寸的有效特征圖，尺寸分別為：80*80、40*40和20*20。這些不同尺寸的有效特征層被輸入到頸部網(wǎng)絡(luò)中進(jìn)行特征融合后生成3個(gè)尺度的新特征圖，20*20*255這個(gè)特征圖用于檢測(cè)大物體，40*40*255特征圖用于檢測(cè)中物體，80*80*255這個(gè)特征圖用于檢測(cè)小物體。

2 MYOLOv5算法模型

2.1 增加特征提取層并改進(jìn)特征金字塔結(jié)構(gòu)

對(duì)于YOLOv5原模型來(lái)說(shuō)，其主干網(wǎng)絡(luò)共包含了3個(gè)有效特征層，分別作用于檢測(cè)小物體、中物體和大物體。然而，當(dāng)需要檢測(cè)的目標(biāo)物體的像素值遠(yuǎn)小于8*8像素時(shí)，物體便很難被檢測(cè)到。對(duì)于檢測(cè)，當(dāng)需要被檢測(cè)的安全帽距離較遠(yuǎn)時(shí)，其在圖像上所展示的圖片信息會(huì)非常小，這樣就給安全帽的檢測(cè)帶來(lái)困難。因此，本文采取增加一層有效特征提取層的方式來(lái)提高安全帽佩戴檢測(cè)的精確度。對(duì)于YOLOv5目標(biāo)檢測(cè)算法來(lái)說(shuō)，隨著其主干網(wǎng)絡(luò)特征層深度的增加，對(duì)大目標(biāo)檢測(cè)效果會(huì)越來(lái)越好。如圖1所示，特征層從80*80尺度大小開(kāi)始，到20*20尺度大小結(jié)束。這3個(gè)有效特征層將會(huì)越來(lái)越有利于對(duì)大物體目標(biāo)的檢測(cè)。因此，為了能夠更好地檢測(cè)安全帽這類(lèi)小目標(biāo)信息，本文采取增加一層有效特征提取層的方式進(jìn)行檢測(cè)，也就是在80*80尺度大小這個(gè)有效特征層前面增加了一層160*160尺度大小的有效特征提取層。通過(guò)增加這個(gè)有效特征提取層將會(huì)更加有利于對(duì)安全帽這類(lèi)小目標(biāo)信息檢測(cè)。在增加了160*160這個(gè)有效特征提取層之后，需要在特征融合的頸部部分Neck和目標(biāo)檢測(cè)的輸出部分Head這兩個(gè)部分增加相應(yīng)的特征融合和輸出處理部分，也就是圖2中黑色虛線框框住的部分(見(jiàn)圖2)。

而YOLOv5原有的特征金字塔網(wǎng)絡(luò)為PANet(FPN+PAN)結(jié)構(gòu)，該結(jié)構(gòu)是目標(biāo)檢測(cè)系列算法中常用的特征金字塔結(jié)構(gòu)。PANet結(jié)構(gòu)首先通過(guò)上采樣操作獲得較強(qiáng)的語(yǔ)義信息，然后通過(guò)下采樣操作獲得位置信息。但是PANet結(jié)構(gòu)在特征融合方面表現(xiàn)得有所欠缺。因此，為了能夠更好加強(qiáng)語(yǔ)義信息的特征融合，本文在原有的PANet結(jié)構(gòu)基礎(chǔ)上的兩個(gè)對(duì)應(yīng)的同一層，添加了兩個(gè)特征融合層，就是圖2中加粗連接線所連接的地方。通過(guò)在PANet結(jié)構(gòu)的同一層上添加這兩條連接線，可以更好地融合特征信息，避免梯度衰減，并且增強(qiáng)了梯度的反向傳播，減少對(duì)于安全帽檢測(cè)過(guò)程中的特征損失，增強(qiáng)網(wǎng)絡(luò)模型的泛化性能，同時(shí)提高了對(duì)小目標(biāo)檢測(cè)的準(zhǔn)確性。

圖2 MYOLOv5模型圖

2.2 引入ECA-Net注意力機(jī)制模塊

添加注意力機(jī)制的主要目的是通過(guò)關(guān)注輸入對(duì)象的重要區(qū)域來(lái)獲取更為關(guān)鍵的信息，注意力機(jī)制的關(guān)注點(diǎn)主要是在局部信息，而不是整體。將注意力機(jī)制添加到不同算法的實(shí)際應(yīng)用中，同一個(gè)注意力機(jī)制也許會(huì)有不同的實(shí)現(xiàn)效果，或者不同的注意力機(jī)制應(yīng)用在同一個(gè)算法中也會(huì)有很大的區(qū)別。ECA-Net[17]是一種有效的通道注意機(jī)制，它可以通過(guò)捕獲關(guān)于跨通道交互的信息(通道之間的依賴(lài)性)來(lái)提高性能。大多數(shù)的注意力機(jī)制都是通過(guò)降維來(lái)控制模型的復(fù)雜性。然而，降維對(duì)捕獲所有通道之間的依賴(lài)性都有副作用。ECA-Net注意力機(jī)制則是通過(guò)添加少量參數(shù)來(lái)避免降維，從而有效地捕獲關(guān)于跨通道交互的信息，并獲得顯著的性能提高。ECA-Net注意力機(jī)制在沒(méi)有降維的情況下，經(jīng)過(guò)通道級(jí)全局平均池化后，通過(guò)考慮每個(gè)通道及其K個(gè)鄰居來(lái)捕獲局部跨通道交互信息。卷積核大小K表示局部跨信道交互作用的覆蓋范圍，即該信道有多少個(gè)鄰居參與了注意力計(jì)算。為了避免手動(dòng)調(diào)整K，采用了一種自適應(yīng)確定K的方法，如式(1)所示。

(1)

式中：C為通道維數(shù)；|t|odd奇數(shù)表示最近的奇數(shù)；r為超參數(shù)，設(shè)置r=2；b為超參數(shù)，設(shè)置b=1。

為了可以更好地提取到安全帽數(shù)據(jù)集圖像中的小目標(biāo)的關(guān)鍵信息，將ECA-Net注意力機(jī)制模塊添加到Y(jié)OLOv5的主干網(wǎng)絡(luò)中，添加的具體位置如圖2中MYOLOv5主干網(wǎng)絡(luò)的ECA-Net部分。通過(guò)添加ECA-Net注意力機(jī)制模塊將會(huì)更加容易獲取到小目標(biāo)的關(guān)鍵信息，增強(qiáng)了模型對(duì)小目標(biāo)檢測(cè)的性能。ECA-Net注意力機(jī)制模塊的工作流程是首先將上一層獲取到的圖像信息作為輸入圖像，輸入到ECA-Net注意力機(jī)制模塊中。輸入的圖像信息通過(guò)一維卷積，在全局平均池化(GAP)后直接學(xué)習(xí)特征，并將更新后的權(quán)值與輸入的特征圖相乘，生成新的特征圖，然后輸出。ECA-Net注意力機(jī)制模塊結(jié)構(gòu)圖，如圖3所示。

圖3 ECA-Net注意力機(jī)制模塊結(jié)構(gòu)

2.3 CIOU-NMS替換NMS

在現(xiàn)有的目標(biāo)檢測(cè)系列算法中，大多通常都是使用傳統(tǒng)的NMS。這些算法通過(guò)使用IOU[18]指數(shù)來(lái)抑制冗余的檢測(cè)框[19]。在IOU指數(shù)中，檢測(cè)框之間的重疊區(qū)域是唯一要考慮的因素。IOU指數(shù)公式和NMS公式分別如式(2)和式(3)所示。

(2)

(3)

式中：IOU為預(yù)測(cè)框與真實(shí)框之間的交并比；N為所有預(yù)測(cè)框中得分最高的那一個(gè)框；Bi為其他的框；Si為得分；ε為手動(dòng)設(shè)置的NMS的閾值。

本文ε閾值設(shè)置為0.5， 當(dāng)ε閾值設(shè)置大于0.5或小于0.5時(shí)，均會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響，導(dǎo)致平均檢測(cè)精度(MAP)降低。具體表現(xiàn)為：當(dāng)ε閾值設(shè)置大于0.5時(shí)，得分最高的框與其他框之間交并比(IOU)的值要達(dá)到非常高的時(shí)候，才會(huì)被識(shí)別出兩個(gè)框檢測(cè)的是同一個(gè)物體，導(dǎo)致錯(cuò)檢情況的發(fā)生，從而降低了實(shí)驗(yàn)的檢測(cè)精度；當(dāng)ε閾值設(shè)置小于0.5時(shí)，得分最高的框與其他框之間交并比(IOU)的值在較小的時(shí)候便會(huì)被識(shí)別為兩個(gè)框檢測(cè)到的是同一個(gè)物體，導(dǎo)致漏檢情況的發(fā)生，從而降低了實(shí)驗(yàn)的檢測(cè)精度。

在YOLOv5算法中， 其所采用的NMS經(jīng)常會(huì)對(duì)重疊的預(yù)測(cè)框產(chǎn)生錯(cuò)誤的抑制， 導(dǎo)致被遮擋的目標(biāo)無(wú)法被檢測(cè)得到， 從而降低了檢測(cè)的準(zhǔn)確率。 在對(duì)安全帽佩戴的檢測(cè)過(guò)程中表現(xiàn)為對(duì)重疊和遮擋目標(biāo)的錯(cuò)檢、 漏檢等問(wèn)題。 為了能夠更好地解決這一問(wèn)題，本文利用CIOU-NMS來(lái)替換NMS。CIOU-NMS在進(jìn)行邊框抑制時(shí)，不僅考慮到了兩個(gè)框之間的重疊區(qū)域，還考慮到了兩個(gè)框之間的中心點(diǎn)的距離和寬高比。對(duì)應(yīng)的公式分別如式(4)～式(7)所示。

(4)

(5)

(6)

(7)

式中：ρ2(b,bgt)為預(yù)測(cè)框與真實(shí)框二者之間中心點(diǎn)的距離；c2為可以封閉兩個(gè)框的最小矩形框的對(duì)角線的長(zhǎng)度；α為權(quán)重函數(shù)；ν為用來(lái)衡量預(yù)測(cè)框與真實(shí)框二者之間寬高比的一致性。預(yù)測(cè)框與真實(shí)框之間的歸一化距離的建模如圖4所示。

圖4 歸一化距離建模

通過(guò)引用CIOU-NMS來(lái)替換NMS可以有效地改善對(duì)安全帽佩戴檢測(cè)過(guò)程中的對(duì)于重疊、遮擋目標(biāo)檢測(cè)時(shí)產(chǎn)生錯(cuò)檢和漏檢等問(wèn)題，提升了對(duì)安全帽佩戴檢測(cè)的準(zhǔn)確性。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集介紹

目前公開(kāi)的安全帽佩戴數(shù)據(jù)主要有SHWD和GDUT-HWD兩種安全帽數(shù)據(jù)。但SHWD安全帽佩戴數(shù)據(jù)只有兩個(gè)類(lèi)別，即head和helmet，類(lèi)別較少。為了增加檢測(cè)難度，本文選擇具有5個(gè)類(lèi)別的GDUT-HWD數(shù)據(jù)集，分別是None(未佩戴安全帽)、Red(佩戴紅色安全帽)、Blue(佩戴藍(lán)色安全帽)、Yellow(佩戴黃色安全帽)和White(佩戴白色安全帽)。它不僅可以檢測(cè)到施工人員是否佩戴了安全帽，同時(shí)還能識(shí)別佩戴的安全帽相應(yīng)的顏色。GDUT-HWD數(shù)據(jù)集圖片數(shù)量為3 174張，包含了18 893個(gè)實(shí)例。這些圖片包含了個(gè)人姿勢(shì)變化、遮擋、場(chǎng)景變化、視角變化、照明變化等。其中小尺度的實(shí)例數(shù)據(jù)居多，這也增加了訓(xùn)練的難度。本文數(shù)據(jù)集的劃分按照訓(xùn)練集和測(cè)試集比例8∶2的比例進(jìn)行劃分，隨機(jī)抽取635張作為測(cè)試集，剩余的圖片作為訓(xùn)練集。安全帽數(shù)據(jù)集每個(gè)類(lèi)別的實(shí)例個(gè)數(shù)具體劃分如圖5所示。

圖5 數(shù)據(jù)集實(shí)例具體劃分

3.2 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)采用Ubuntu 18.04操作系統(tǒng)，使用PyTorch深度學(xué)習(xí)框架，Python版本為3.8，實(shí)驗(yàn)所用的顯卡為NVIDIA GeForce RTX 2080 Ti，顯存為11GB，CUDN版本為11.0，cuDNN版本為8.0。

3.3 網(wǎng)絡(luò)模型訓(xùn)練

在網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中，將batch-size設(shè)置為16，epochs設(shè)置為200，權(quán)重衰減系數(shù)設(shè)置為0.000 5，學(xué)習(xí)率動(dòng)量設(shè)置為0.937，對(duì)于改進(jìn)的YOLOv5網(wǎng)絡(luò)模型來(lái)說(shuō)，模型的損失值越小越好，精確度(Precision，P)、召回率(Recall，R)和MAP值越高越好。訓(xùn)練和驗(yàn)證集的訓(xùn)練時(shí)期Box loss、Objectness loss、Classification loss，Precision、Recall和MAP的不同性能指標(biāo)如圖6所示。

圖6 訓(xùn)練時(shí)期的不同性能指標(biāo)值

3.4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)結(jié)果[20]采用平均精度均值MAP(Mean Average Precision)、類(lèi)平均精度AP(Average Precision)和檢測(cè)速度幀每秒F1(Frame Per Second,FPS)來(lái)對(duì)不同模型的性能進(jìn)行評(píng)估。AP表示當(dāng)預(yù)設(shè)不同的IOU時(shí)(本文IOU=0.5)，精確度P(precision)和召回率R(recall)所圍成的曲線(P-R曲線)與坐標(biāo)軸所圍成的面積。MAP是所有類(lèi)的平均AP值[21]。準(zhǔn)確率P、召回率R、檢測(cè)速度幀每秒F1和平均精度均值MAP的計(jì)算公式如式(8)～式(11)所示。

(8)

(9)

(10)

(11)

式中：TP(True Positives)為被識(shí)別為正樣本，實(shí)際上也是正樣本的數(shù)量；FP(False Positives)為被識(shí)別為正樣本，實(shí)際上是負(fù)樣本的數(shù)量；FN(False Negatives)為被識(shí)別為負(fù)樣本，實(shí)際上是正樣本的數(shù)量。準(zhǔn)確率表示為正確預(yù)測(cè)的正樣本數(shù)量與預(yù)測(cè)為正樣本的樣本數(shù)量之間的比例。召回率表示為正確預(yù)測(cè)的正樣本數(shù)量與正樣本數(shù)量的比例。F1同時(shí)考慮精確率和召回率，讓兩者同時(shí)達(dá)到最高，取得平衡。c表示類(lèi)別，當(dāng)AP值越大時(shí)，說(shuō)明算法針對(duì)某一類(lèi)的檢測(cè)效果表現(xiàn)越好。MAP就是對(duì)所有類(lèi)別的AP值求均值。

1)消融實(shí)驗(yàn) 為了能夠驗(yàn)證改進(jìn)方法的有效性，本文在安全帽數(shù)據(jù)集上針對(duì)每一項(xiàng)改進(jìn)點(diǎn)都進(jìn)行了相應(yīng)的消融實(shí)驗(yàn)。字母A代表增加特征提取層并改進(jìn)特征金字塔結(jié)構(gòu)；字母B代表引入ECA-Net注意力機(jī)制；字母C代表CIOU-NMS替換NMS。消融實(shí)驗(yàn)[22]的結(jié)果如表1所示。

表1 消融實(shí)驗(yàn)

由表1可知，隨著針對(duì)YOLOv5模型的3個(gè)改進(jìn)點(diǎn)的逐個(gè)加入，模型在MAP上較未改進(jìn)的模型分別逐步提升了0.8%、2.3%和3.8%。消融實(shí)驗(yàn)結(jié)果表明，A、B、C全部疊加結(jié)合的改進(jìn)方法在各項(xiàng)評(píng)價(jià)指標(biāo)上均取得了最優(yōu)的結(jié)果，P提升了3.9%，R提升了4.2%，F(xiàn)1提升了4.1%。根據(jù)消融實(shí)驗(yàn)的結(jié)果可知，針對(duì)YOLOv5算法的改進(jìn)是非常有效的。

2)與其他算法模型的對(duì)比 選取了Faster R-CNN、SSD、YOLOv3-tiny、YOLOv4、YOLOv4-tiny、YOLOv5和MYOLOv5算法進(jìn)行實(shí)驗(yàn)對(duì)比,主要選擇AP值和MAP值這兩種指標(biāo)在各種算法上進(jìn)行評(píng)價(jià)。不同模型性能的對(duì)比如表2所示。

表2 不同模型性能對(duì)比

MYOLOv5模型在安全帽測(cè)試集上所得到的R-P曲線圖如圖7所示。

圖7 R-P曲線

從表2可以看出YOLOv5目標(biāo)檢測(cè)算法在安全帽數(shù)據(jù)集上的MAP值上遠(yuǎn)遠(yuǎn)地超過(guò)了其他同類(lèi)型的目標(biāo)檢測(cè)算法。而MYOLOv5算法在Blue類(lèi)別上的AP值較YOLOv5算法提升了2.5%，在Yellow類(lèi)別上的AP值較YOLOv5算法提升了2.1%，在White類(lèi)別上的AP值較YOLOv5算法提升了3.1%，在Red類(lèi)別上的AP值較YOLOv5算法提升了7.5%，在None類(lèi)別上的AP值較YOLOv5算法提升了3.8%。平均精度均值(MAP)提升了3.8%。圖7是由R-P曲線所圍成的不同類(lèi)別的安全帽測(cè)試集的檢測(cè)結(jié)果得分平均值。因此MYOLOv5算法能夠有效地提升對(duì)于安全帽佩戴的檢測(cè)精度，同時(shí)由于訓(xùn)練數(shù)據(jù)集的施工場(chǎng)景的復(fù)雜多樣化，MYOLOv5算法能夠滿(mǎn)足各種復(fù)雜的施工場(chǎng)景下對(duì)于安全帽的檢測(cè)的需要，并且滿(mǎn)足準(zhǔn)確性的要求。

為了能夠更加清晰直觀地看出MYOLOv5算法與YOLOv5算法之間的差距，給出了(a)、(b)、(c)3種情況下的檢測(cè)結(jié)果圖(見(jiàn)圖8)。圖8(a)為錯(cuò)檢結(jié)果，YOLOv5算法將白色的圓盤(pán)螺旋設(shè)備錯(cuò)誤地識(shí)別成了白色的安全帽，導(dǎo)致錯(cuò)檢情況的發(fā)生，降低了檢測(cè)的精確性，而MYOLOv5算法則沒(méi)有對(duì)其錯(cuò)檢，而且所有被檢測(cè)到的安全帽得分情況都有所提高。圖8(b)為漏檢結(jié)果,YOLOv5算法沒(méi)有檢測(cè)出遮擋情況下的紅色安全帽，而MYOLOv5算法則將其正確地檢測(cè)出來(lái)，而且其他被檢測(cè)出的安全帽得分情況均有所提高。圖8(c)為錯(cuò)檢和漏檢結(jié)果，由于背景相對(duì)復(fù)雜，且目標(biāo)非常小，YOLOv5算法將右側(cè)電線桿左側(cè)的那個(gè)較小的藍(lán)色安全帽錯(cuò)檢為了紅色安全帽，導(dǎo)致錯(cuò)檢情況的發(fā)生。而且，沒(méi)有將右側(cè)電線桿右側(cè)那個(gè)較小的藍(lán)色安全帽識(shí)別出來(lái)，同樣導(dǎo)致了漏檢情況的發(fā)生。而MYOLOv5算法則正確地識(shí)別出了這兩個(gè)藍(lán)色的安全帽，而且得分較YOLOv5算法高出許多。由上述多種情況下的檢測(cè)結(jié)果圖對(duì)比可知，MYOLOv5算法優(yōu)于YOLOv5算法。

(a)錯(cuò)檢

4 結(jié)論

為了改進(jìn)現(xiàn)有的安全帽佩戴檢測(cè)算法難以有效地檢測(cè)到小目標(biāo)，以及解決重疊和遮擋目標(biāo)錯(cuò)檢、漏檢等問(wèn)題，提出了一種基于改進(jìn)YOLOv5的安全帽佩戴檢測(cè)算法。通過(guò)增加一層有效特征提取層并改進(jìn)特征金字塔結(jié)構(gòu)，引入ECA-Net注意力模塊，并使用CIOU-NMS替換NMS進(jìn)行邊框抑制，使得改進(jìn)后的算法更加適合于檢測(cè)小目標(biāo)，以及解決重疊和遮擋目標(biāo)的錯(cuò)檢和漏檢等問(wèn)題。通過(guò)實(shí)驗(yàn)對(duì)比可知，改進(jìn)后的算法模型較YOLOv5模型來(lái)說(shuō)，在檢測(cè)到小目標(biāo)，以及解決重疊和遮擋目標(biāo)錯(cuò)檢、漏檢等問(wèn)題起到了良好效果，并且取得了較高的檢測(cè)準(zhǔn)確度，滿(mǎn)足在施工場(chǎng)景下對(duì)安全帽佩戴檢測(cè)準(zhǔn)確率的要求。未來(lái)，該改進(jìn)算法將會(huì)進(jìn)一步考慮如何更好地提升模型的檢測(cè)速率，并且能夠有效地移植到檢測(cè)設(shè)備或者檢測(cè)機(jī)器人上進(jìn)行實(shí)際的檢測(cè)應(yīng)用。