李天宇，吴 浩，毛艳玲，田洋川，陈明举+

(1.四川轻化工大学 人工智能四川省重点实验室，四川 宜宾 644000；2.四川轻化工大学 自动化与信息工程学院，四川 宜宾 644000)

0 引 言

近年来，基于卷积神经网络的安全帽佩戴检测方法[1，2]已成为目前研究的主流，基于深度学习的目标检测算法主要分为两阶段检测算法和单阶段检测算法。如针对二阶段的检测算法，徐守坤等[3]在Faster RCNN的基础上利用特征融合来优化RPN网络，并采用困难样本挖掘技术训练模型，提高了检测的准确率。孙国栋等[4]通过自注意力机制以及锚框补选增强方法来提高Faster CNN对小目标的检测准确率。

由于施工作业现场的环境复杂多变，对安全帽检测的实时性要求高，于是单阶段检测算法凭借其快速且准确的优点在安全帽佩戴检测上获得了大量应用。如李明山等[5]、徐先峰等[6]利用SSD检测网络构建新的安全帽检测网络，分别对模型结构和训练方式进行改进以提高其检测能力。陈柳等[7]在RFBNet基础上引入SE-Ghost模块来轻量化检测模型，并利用FPN提高网络对小目标检测的鲁棒性。徐凯等[8]、徐守坤等[9]都对YOLOv3的网络结构、损失函数以及预选框尺寸进行了优化，提高了网络对安全帽的检测准确率，特别是提高了对小目标的检测能力。

本文针对施工作业区域安全帽检测困难的问题，以YOLOv4网络为基础提出了一种施工现场安全帽检测方法SR_YOLO。该检测网络引入多尺度空间金字塔层和特征增强模块，并利用Kmeans++算法来对目标样本进行anchor尺寸优化，提高了网络对安全帽的检测能力。……