改进YOLOv5的安全帽佩戴检测算法

针对目前目标检测模型结构复杂、计算量大、检测准确率低等问题，提出在工业场景下基于改进型YOLOv5的安全帽佩戴算法。在主干网络引入轻量型网络ShuffleNetv2，保留Focus结构和ShuffleNetv2共同组成主干网络，降低网络的计算量和参数量；在C3模块中引入Swin Transformer Block，得到C3STB模块，替换Neck部分原有的C3模块；设计了CBAM＿H注意力机制，并将其嵌入Neck网络中，获取全局上下文信息，提高模型检测准确率。自建数据集并进行实验，实验结果表明，改进后的YOLOv5模型的参数量由6.14×10⁶压缩到8.9×10⁵，计算量由1.64×10¹⁰压缩到6.2×10⁹,mAP由0.899上升到0.908，优于原模型性能。