复杂环境下施工场所基于YOLOv7-hat安全帽佩戴检测  

作　　者：郭鑫 王智文[1] 白云 赵文志 

机构地区：[1]广西科技大学计算机科学与技术学院,广西柳州545006 [2]柳州工学院信息科学与工程学院,广西柳州545616

出　　处：《物联网技术》2024年第12期18-25,共8页Internet of things technologies

基　　金：国家自然科学基金资助项目(61962007);国家自然科学基金资助项目(62266009);广西自然科学基金重点项目(2018GXNSFDA294001);广西财经大数据重点实验室开放基金项目资助(FEDOP2022A06);广西高校中青年教师科研基础能力提升项目(2022KY1697);广西高校中青年教师科研基础能力提升项目教育信息化专项(2022XXH0019)

摘　　要：针对现有深度学习算法在恶劣天气、目标密集分布、目标较小或目标被随机遮挡等情况下检测效果不理想等问题,提出YOLOv7-hat安全帽佩戴检测方法。该方法对YOLOv7-Tiny模型进行了改进,增加了能更好捕捉图像中小目标的小目标检测层;添加的CBAM有助于模型关注重要的特征信息;增加了多头self-attention注意力机制,提高了目标检测头的表示能力。在公开数据集SHWD上的实验结果表明,增加小目标检测层后,所提方法的MAP从0.932提升至0.942;引入CBAM后,MAP进一步提升至0.945;增加DYheadBlock后,MAP达到了0.95。经过对复杂环境中施工场所安全帽佩戴情况的检测,可以明显看出所提算法的性能获得了显著提升。

关 键 词：YOLOv7-Tiny 安全帽佩戴检测 混合注意力机制 小目标检测层 YOLOv7-hat 空间注意力机制 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]