基于注意力和重构特征融合的轻量级煤矿安全帽检测方法

针对当前的工人安全帽检测算法模型参数量较大、推理交互时间较长、错检和漏检率较高等问题,提出了一种基于注意力和重构特征融合的轻量级煤矿工人安全帽实时检测方法MS-YOLO。为了在不影响检测精度的前提下压缩模型的大小并提升检测的速度,采用轻量级网络MobileNeXt作为MS-YOLO算法的主干网络;重构了特征路径融合网络PANet,在网络中添加了新的尺度输入、ULSAM-4注意力模块和深度可分离卷积;为了加快模型收敛速度并提高预测框的回归精度,提出了一种新的损失函数CLIoU loss;该研究还建立了一个面向矿井场景的安全帽检测数据集以适用于其特殊的工况环境。通过在标准数据集和自建数据集上进行实验测试,结果表明,MS-YOLO模型不仅保持了较高的检测精度,还具有实时性好、模型轻量化的优点。