施工现场安全帽佩戴检测方法研究

在施工现场佩戴安全帽是建筑行业的基本工作规范。由于施工环境复杂,图片中包含的目标多而杂乱,且安全帽在图片中所占比例较小,安全帽佩戴的检测难度较大,导致漏检误检率较高,检测精度不是很高。为改善上述安全帽佩戴检测的缺点,提出了一种安全帽佩戴检测网络——融合多尺度特征和注意力的网络(MFFMA-Net),该网络以YOLOX为基础架构,用一个新设计的多尺度特征融合模块(Multi-ScaleFeatureFusionModule,MFFM)替换了原有的路径聚合网络(PathAggregationNetwork,PANET)。MFFM依照特征图尺度从两个相反的方向进行特征融合,这样的融合方式能够包含更加丰富的骨干网络提取的特征,可提高安全帽佩戴的检测精度。新增了一个注意力模块——融合空间信息的注意力(FSI-ECA),以全像素信息为基础,将空间信息集中到通道信息中,在学习过程中充分利用通道信息和空间信息,能够更多地使用安全帽的特征信息,减小安全帽佩戴检测的漏检误检率。在SHWD数据集上进行实验,MFFMA-Net的平均精度均值达到96.61%,较YOLOX提高了0.47%,召回率相较于YOLOX提高了约1%,检测速度可以达到38帧/s。在达到实时检测的条件下实现了较高的检测精度,并且减小了漏检误检率。