基于改进YOLOX的安全帽佩戴检测算法

针对安全帽佩戴检测任务中的小目标密集导致的遮挡和难以检测等问题，提出了一种基于YOLOX和transformer的安全帽佩戴检测算法。首先使用融合了CNN和transformer的网络swin Csp进行特征提取，提升模型获取全局上下文信息的性能;然后采用简化的重复加权双向特征金字塔网络BiFPN，使算法更好地融合不同尺度的特征;最后在neck和YOLO head的连接部分加入CBAM注意力机制，加强安全帽特征与位置信息的关联程度，进一步增强网络的性能和鲁棒性。基于SHWD数据集进行实验，结果表明，算法在hat类上提高了0.99%的精度，在两种类型的召回率上分别有3.16%和1.7%的提升，在mAP方面则有1.79%的提升，有效实现了快速且精度较高的安全帽佩戴检测。