基于YOLOv8的安全帽佩戴檢測研究

摘要：隨著安全生產(chǎn)意識的增強，工地安全監(jiān)管日益受到重視，檢測作業(yè)人員是否佩戴安全帽成為保障工地安全的一項重要措施。然而，安全帽的檢測也存在不小的挑戰(zhàn)，如存在目標尺寸變化、復雜背景干擾等因素。為此，文章提出了一種基于YOLOv8的安全帽佩戴檢測方法，通過引入膨脹卷積以及卷積注意力機制，提升網(wǎng)絡的特征提取能力，結合定位損失函數(shù)、置信度損失函數(shù)來進行參數(shù)的更新。實驗數(shù)據(jù)顯示，該方法的精度比原始的YOLOv8有一定的提升，可以準確地檢測員工是否佩戴安全帽。

關鍵詞：YOLOv8；特征提取；神經(jīng)網(wǎng)絡；安全帽檢測

中圖分類號：TP391.4 文獻標志碼：A

0 引言

安全生產(chǎn)不僅關系到從業(yè)者個人的健康和生命安全，也關系到企業(yè)的可持續(xù)發(fā)展和社會的穩(wěn)定。在眾多安全防護措施中，佩戴安全帽是最基本也是最有效的一種手段。YOLO（You Only Look Once）算法作為一種領先的實時目標檢測算法［1］，以其快速精準的特點備受關注。YOLOv8是最新的迭代版本，在速度和準確度上均有顯著提升，為安全帽佩戴監(jiān)測的實時性和準確性帶來了新的可能。在目標檢測的研究中，針對改進YOLOv8的算法主要包括以下幾個方面：（1）加入反卷積層、歸一化層和拼接層等，以設計出全新的網(wǎng)絡架構，提升模型細節(jié)捕捉和特征整合的能力［2］；（2）利用GCBlock結構，處理和建模更長距離的依賴關系，在YOLOv8的主干網(wǎng)絡中使用GCBlock結構來增強模型的特征提取能力［3］；（3）使用GSConv新型卷積方式去降低計算量，同時保持良好的特征表示［4］；（4）采用SIOU損失函數(shù)，優(yōu)化目標的定位，通過SIOU損失函數(shù)取代CIOU損失，解決其局限性并提升模型的檢測性能［5］；（5）重構特征提取和特征融合網(wǎng)絡，降低模型計算量，引入可變形卷積（Deformable Convolution Network，DCN），增加模型的特征捕捉能力［6］；（6）開發(fā)部署友好結構，通過引入新構建的Faster Block結構，用部分卷積取代原有的Bottleneck結構，并結合SE通道注意力層進一步提升檢測準確率。

本文基于YOLOv8，在特征提取階段引入膨脹卷積，擴大模型的感受野，捕獲更廣泛的上下文信息，而不增加網(wǎng)絡的復雜度，并通過卷積注意力機制，強化模型對上下文信息中重要特征的關注度。本文通過對大量工地作業(yè)環(huán)境中的真實圖像數(shù)據(jù)進行處理和分析，訓練了一套深度學習模型，可以準確檢測員工是否佩戴了安全帽。

1 特征提取模塊

為了減少參數(shù)、擴大感受野，通常在提取特征圖時，網(wǎng)絡會添加池化層來進行圖像的下采樣。這種做法雖然能有效減少網(wǎng)絡的參數(shù)并擴展感受野，但這也導致了特征圖分辨率的降低，導致部分信息被丟失［7］。針對語義分割時池化導致的圖像分辨率下降和信息丟失問題，本研究在卷積層中加入了“膨脹率”這一新參數(shù)。通過調(diào)整不同的膨脹率，可以控制卷積核在處理數(shù)據(jù)時的采樣間隔，擴大感受野的同時，卻沒有增加參數(shù)量。膨脹卷積的原理如圖1所示。

考慮到膨脹卷積在特征提取和參數(shù)效率上的優(yōu)勢，本文采用了多個不同膨脹率的膨脹卷積的組合，以模擬多種感受野的效果，實現(xiàn)對圖像多尺度信息的捕捉。所使用的特征提取模塊基于傳統(tǒng)的3×3卷積核，并在此基礎上堆疊了3種膨脹率為1、2、3的膨脹卷積核，以提取不同規(guī)模的安全帽特征。為了增強模型的性能及其對不同尺度目標的感知力，本文采取了將高層的語義信息與低層的細節(jié)信息結合的策略。

2 卷積注意力機制模塊

卷積注意力機制包括通道以及空間2部分。卷積注意力機制通過給模型加上“注意力”層，使得模型能夠關注輸入圖像中更加重要的區(qū)域［8］。

2.1 通道注意力模塊

在通道注意力部分，每一個通道被視為圖像的特征提取器，提取紋理、樣式等各類特征。特征圖在空間維度上通過最大池化和平均池化進行壓縮，聚合特征映射的信息［9］。經(jīng)過一個共享網(wǎng)絡逐元素求和合并，再經(jīng)過Sigmoid激活函數(shù)，得到通道注意力圖，如圖2所示。

（1）結合平均池化和最大池化2種池化方法對特征圖進行空間匯集，生成2種通道注意力向量，分別用FCavg，表示FCmax。

（2）將這2個向量輸入由一個隱藏層組成的共享MLP（Multi-Layer Perception）網(wǎng)絡，并生成2個維數(shù)為C×1×1的注意力向量（MLP可以看成一個3層的全連接神經(jīng)網(wǎng)絡）。

（3）將上面得到的2種向量對應位置相加，通過一個Sigmoid函數(shù)，生成一個維數(shù)為C×1×1的通道注意力向量，命名為MC。

在多層感知器（MLP）中，考慮到計算成本從而減少參數(shù)量，把隱藏激活大小設置為C/r×1 ×1，可以理解為中間層的神經(jīng)元節(jié)點減到了C/r個，其中r為減少率。等到輸出層的時候再把神經(jīng)元增加到C個，保證獲得和特征圖通道數(shù)相同的注意力向量維數(shù)。這樣處理既可以獲得全連接網(wǎng)絡的非線性，又減少了全連接網(wǎng)絡的參數(shù)個數(shù)［10］。

通道注意力機制的具體表達式如公式（1）所示

MC（F）=Sig（MLP（Avgpooling（F））+MLP （Maxpooling（F）））=Sig（W1（W0（FCavg））+W1 （W0（FCmax）））（1）

其中，Sig是Sigmoid函數(shù)，MLP是含有隱藏層的多層感知機，W1和W0分別是MLP的隱藏層權重及輸出層權重，W1和W0參數(shù)是共享的，Avgpooling是平均池化，Maxpooling是最大池化。

2.2 空間注意力模塊

空間注意力機制的輸入是由通道注意力部分處理過的數(shù)據(jù)，完成的工作是對通道進行壓縮。將多通道的值壓縮到單個通道，經(jīng)過卷積得到空間的加權信息，如圖3所示。

空間注意力模塊著重于利用特征之間的空間位置關系來形成空間注意力圖。這種空間關注與通道關注不同，它強調(diào)了特征在空間上的分布和區(qū)位重要性，旨在對通道注意力進行有效補充。通道注意力機制的具體表達式如公式（2）所示。

MS（F）=Sig（f7×7（［Avgpooling（F）;Maxpooling （F）］））=Sig（f7×7（FSavg;FSmax））（2）

其中，得到帶有通道注意力權重的特征圖后，采用2種池化方法（平均池化和最大池化），得到2個維數(shù)相同的特征圖，分別命名為FSavg，F(xiàn)Smax，維數(shù)為1×H×W。把得到的FSavg、FSmax串行拼接在一起，得到一個特殊的特征圖。利用一個7×7的卷積對這個特征圖進行卷積，然后輸入Sigmoid函數(shù)，得到一個特征圖維數(shù)相同的加上空間注意力權重的空間矩陣。把得到的空間注意力矩陣對應相乘到原特征圖上，得到的新的特征圖命名為MS。

3 實驗與結果分析

3.1 數(shù)據(jù)集

數(shù)據(jù)集選擇的是Hard Hat Workers Dataset，這是一個公開的數(shù)據(jù)集，數(shù)據(jù)集中包含大約5000張圖像，可以直接用于訓練和測試安全帽檢測模型，是最接近安全帽檢測任務需求的數(shù)據(jù)集之一。模型進行訓練時，隨機選擇80%作為訓練集，20%作為測試集。

3.2 損失函數(shù)

定位損失（Localization Loss）用來評估模型預測的邊界框與真實邊界框之間的一致性，與模型如何精確地定位圖像中物體的位置和大小直接相關。置信度損失（Confidence Loss）用于度量模型預測邊界框中是否包含目標以及對包含目標的邊界框置信度水平的準確性。對于負責檢測物體的邊界框，置信度損失將評價模型預測的置信度（通常是物體存在的概率）與實際存在物體的邊界框之間的誤差。對于不包含對象的邊界框，模型也須要給出一個接近零的置信度，這時的置信度損失是用來懲罰那些錯誤地高估了對象存在概率的預測，以提高模型的總體準確度和魯棒性。

3.3 評價指標

本文使用精度（Precision）、召回率（Recall）對模型性能進行評估，計算公式如下：

其中，TP檢測正確，F(xiàn)P為檢測錯誤，F(xiàn)N為漏檢。

3.4 對比實驗

將本文的模型與YOLOv5、YOLOv7、YOLOv8進行對比，結果如表1所示。由實驗結果可知，本文的模型在精度和召回率上都有一定的提升。

4 結語

本文從提升網(wǎng)絡特征提取能力的角度出發(fā)，通過引入膨脹卷積和卷積注意力機制，提高了檢測模型的性能。膨脹卷積增加了感受野，使得模型能夠捕捉更多的上下文信息，而不會喪失分辨率。同時，卷積注意力機制加強了模型專注于圖像關鍵部分的能力，從而提高了其區(qū)分安全帽和非安全帽物體的能力。這些改進不僅提升了模型對安全帽檢測的準確度，還加強了其在復雜場景中的魯棒性。

參考文獻

［1］田鵬，毛力.改進YOLOv8的道路交通標志目標檢測算法［J］.計算機工程與應用，2024（8）：202-212.

［2］郭愛心.基于深度卷積特征融合的多尺度行人檢測［D］.合肥：中國科學技術大學，2018.

［3］羅會蘭，陳鴻坤.基于深度學習的目標檢測研究綜述［J］.電子學報，2020（6）：1230-1239.

［4］鮑禹辰，徐增波，田丙強.基于YOLOv8改進的服裝疵點檢測算法［J］.東華大學學報（自然科學版），2024（4）：49-56.

［5］戚玲瓏，高建瓴.基于改進YOLOv7的小目標檢測［J］.計算機工程，2023（1）：41-48.

［6］汪昱東，郭繼昌，王天保.一種改進的霧天圖像行人和車輛檢測算法［J］.西安電子科技大學學報，2020（4）：70-77.

［7］左靜，巴玉林.基于多尺度融合的深度人群計數(shù)算法［J］.激光與光g4Ucr+fVlKRhOko2m/2Wlw==電子學進展，2020（24）：315-323.

［8］GU W C，SUN K X.AYOLOv5：Improved YOLOv5 based on attention mechanism for blood cell detection［J］.Biomedical Signal Processing and Control，2024（Part C）：105034.1-105034.8.

［9］朱張莉，饒元，吳淵，等.注意力機制在深度學習中的研究進展［J］.中文信息學報，2019（6）：1-11.

［10］蔣弘毅，王永娟，康錦煜.目標檢測模型及其優(yōu)化方法綜述［J］.自動化學報，2021（6）：1232-1255.

Research on safety helmet wearing detection based on YOLOv8

Abstract： With the increasing awareness of safety production， construction site safety supervision is increasingly valued， and testing whether workers wear safety helmets has become an important measure to ensure the safety of construction sites. However， there are also significant challenges in the detection of safety helmets， such as changes in target size and complex background interference. This article proposes a safety helmet wearing detection method based on YOLOv8， which improves the network’s feature extraction ability by introducing dilated convolution and convolutional attention mechanism， and updates parameters by combining localization loss function and confidence loss function. The experimental data shows that the accuracy of this method has been improved compared to the original YOLOv8， and it can accurately detect whether employees are wearing safety helmets.

Key words： YOLOv8; feature extraction; neural network; helmet detection