江汉大学人工智能学院 关雅琪 侯 群

为了保证建筑工地施工人员的安全，要求佩戴安全帽。目前对安全帽佩戴的监督与检测大多采用深度学习的方法训练模型。为了使训练的模型达到实时检测的速度和精度需求，本文在进行了YOLO系列算法对比试验后，提出了一种采用改进的YOLO v5模型的安全帽佩戴检测方法，该方法对原始 YOLO v5模型进行输入尺寸、初始候选框的调整以及损失函数的改进，使YOLO v5模型更适用于安全帽佩戴的实时识别。

1 YOLO系列算法

本文研究的安全帽检测算法旨在解决施工场地的安全问题，实际情况具有环境复杂、人流量大以及天气多变等问题，并且需要满足实时检测的速度和精度要求，传统的目标检测算法很难做到，目前在ResNet，Faster-RCNN等模型上训练速度更快的网络有YOLO系列算法。

1.1 YOLO v3算法

YOLO v3借助特征金字塔网络(FPN)的多尺度特征融合思想，将3种不同尺度的特征图融合之后单独输出，分别进行目标检测，加强算法对小目标检测的精确度。YOLO v3的整体网络框架主要包括两个部分，第一部分为Darkent-53特征提取网络，第二部分为以Darknet-5为基础进行3次采样输出。

1.2 YOLO v5算法

YOLO v5的识别模型能够在保证实时检测的速度下兼顾较高的精度，按照网络深度大小和特征图宽度大小分为YOLO v5s、YOLO v5m、YOLO v5l、YOLO v5，本文采用了YOLOv5s作为使用模型。YOLO v5的网络结构包含四个部分，分别是Input Sector,Backbone Sector,Neck Sector,Prediction Sector。

2 改进的YOLO v5模型

虽然YOLO v5具有检测速率快，检测精度高的优点，但是为了使得训练的模型更好的符合实时检测的需求，需要对原始的YOLO v5进行优化，不断调整超参数来得到更优的模型。……