基于深度學習的頭盔佩戴檢測方法研究

摘要：文章綜述了當前頭盔佩戴檢測技術的發展現狀與挑戰，重點探討了基于深度學習方法尤其是YOLO系列算法在頭盔佩戴識別領域的應用潛力。文章將YOLOv8算法應用于頭盔佩戴檢測領域，此方法克服了傳統監控手段的局限性，實現了高效率、高準確率的自動檢測，對于推動“一盔一帶”安全守護行動的實施和提升公共安全管理水平具有重要價值。

關鍵詞：深度學習；頭盔檢測；YOLOv8算法

中圖分類號：TP311 文獻標志碼：A

0 引言

頭盔是國民經濟建設或出行不可或缺的防護用具，在涉及電動自行車的道路交通事故中，頭部受傷致死的比例占交通事故死亡總數的75%及以上，而正確佩戴安全頭盔可有效降低頭部受傷風險達60%～70%，是保護騎乘者頭部安全的關鍵措施。“一盔一帶”安全守護行動的推行，對提升公眾道路安全意識及預防交通事故傷亡具有深遠意義。當前，交通管理系統人工觀察未佩戴頭盔的電動自行車騎行人，存在效率低下等問題，因此需要一種以圖像為輸入、使用算法自動判定未佩戴頭盔并給出預警的計算機視覺技術和系統，以提供高效的頭盔佩戴識別解決方案［1］。

目前，國內關于安全頭盔佩戴檢測方面的研究還不夠普遍，陳揚等［2］提出HWD-YOLOv5s算法，以深度學習框架YOLOv5s為基礎，改進原始模型特征提取部分的下采樣方法和特征融合方法，并修改邊框損失函數GIOU的計算方法。朱碩等［3］利用機器視覺傳感器收集大量電動車及駕駛人目標數據，制作相應的數據集，將處理后的數據集在Pytorch框架上利用改進的YOLOv5神經網絡進行訓練，獲得最優權重參數。湯天培等［4］提出一種基于深度學習的安全頭盔佩戴行為檢測方法，基于EfficientNet目標檢測框架，重新設計了主干網中特征圖的特征選取層，并提出像素級縮放模塊，構建了一種新的用于電動自行車騎乘人員安全頭盔佩戴行為檢測的PLS-Det模型。

國外的研究人員對安全頭盔佩戴檢測問題展開了深入的研究。Felix等［5］綜合比較RetinaNet與殘差神經網絡50層主體結合的方案，該方案以其基于錨點的機制和用于多尺度對象檢測的特征金字塔網絡而聞名。此外，還探究了DEtection TRansformer（DETR）架構，這是一種基于變換器架構的端到端對象檢測模型，融入了ResNet50特征提取功能及YOLO架構，對騎車人及其頭盔使用情況進行檢測和訓練，經實驗，所開發的模型在檢測活躍騎車人佩戴頭盔方面具有良好的準確性。Li等［6］提出了一種基于深度學習的多任務框架，不僅能夠檢測頭盔佩戴狀態，還能同時識別騎行者的其他安全行為（如是否穿反光衣），為交通安全監管提供了更為全面的解決方案。

1 YOLOv8網絡

YOLO（You Only Look Once）是基于深度學習的目標檢測算法，其核心在于將傳統的目標檢測框架轉為單一階段的回歸任務，通過單個的神經網絡直接預測輸出物體的位置、類別。該方法在神經網絡中將輸入圖像劃分為S×S個網格，各網格負責識別圖像中的物體，每個單元進而預測包含物體的類別信息、邊界框坐標及物體存在的置信度［7］。

YOLO算法只需單一神經網絡實現檢測流程的高效整合，實現了極高的處理速度，滿足實時目標檢測的需求，特別是在對響應時間有嚴格要求的場景。如在視頻監控領域，特別是智能交通系統與公共安全監控中，其高速處理能力為實時事件監測與響應提供了可能。在自動駕駛技術中，該算法能夠滿足對環境動態物體進行即時檢測與追蹤的需求。而且，YOLO算法采用一階段檢測方法，簡化了模型架構與訓練流程，促進了算法的可實施性。在工業4.0背景下的自動化生產流水線，YOLO能有效應用于產品質量控制與分類，加速生產效率與智能化水平。綜上所述，YOLO系列算法不僅革新了目標檢測的實現方式，也拓寬了計算機視覺技術在實際應用中的邊界。

YOLOv8模型是在YOLOv5模型的基礎上提出的，針對不同計算資源需求分為YOLOv8m、YOLOv8s、YOLOv8l和YOLOv8n 4個模型。其中YOLOv8n以其優化的復雜度、保有的高檢測準確性和加速的推理速度，符合交通場景中對頭盔佩戴檢測應用的輕量化與高精度雙重要求，因此本文選用YOLOv8n作為基準模型應用于盔佩戴檢測場景。

YOLOv8網絡架構由Input層、Backbone、Neck和Prediction 4部分組成。其中，Backbone模塊在CSP思想進行特征傳遞基礎上，引入C2f模塊替代YOLOv5模型中的C3模塊，旨在增強特征表達力與優化計算效率。該算法引入SPPF（Spatial Pyramid Pooling Fast）模塊以豐富特征層次，促進梯度流動。YOLOv8添加了Bi-PAN-FPN結構，它引入了雙向連接和加權融合的L制，通過構造雙向通道實現跨尺度連接，并將特征提取網絡中的特征與自下而上路徑中的相對大小特征融合，從而保留了更淺的語義信。通過添加Bi-PAN-FPN結構，YOLOv8可提高目標檢測的準確，并提高訓練速度。算法的Prediction部分采取Decoupled Head設計，將分類與回歸任務解耦為獨立的子結構，提高了模型收斂能力。

2 實驗分析

2.1 實驗環境

實驗平臺處理器為12th Gen Intel（R） Core（TM） i7-12700，32 GB運行內存，顯卡型號為NVIDIA GeForce MX450，操作系統為Win10 x64。編程語言是Python3.8.0，開發環境為Anaconda。

2.2 數據集和評價指標

本文通過攝像機拍攝的方法進行數據的收集，運用LabelImg工具執行精細化手動標注過程，標注內容分為佩戴頭盔、未佩戴頭盔、騎行人員3個類別。為增強模型的泛化性能，本文對采集的數據通過平移、水平翻轉、垂直旋轉、自適應直方圖均衡化4種方法隨機組合的方式進行數據增強，最終生成了一個包含4382張多樣化且有效的圖像數據集。此數據集科學地分割為訓練集、驗證集和測試集，比例為8∶1∶1，旨在平衡模型的學習、調整與評估模型的有效性。

本文主要使用精度（Precision）、召回率（Recall）、平均精度均值（mAP）、mAP50和mAP50-95作為模型評估指標。精度（Precision）指標用來評估模型預測正確的正樣本的比例。在目標檢測中，若模型預測的邊界框與真實的邊界框重合，則認為預測正確。召回率（Recall）是評估模型能夠找出所有真實正樣本的比例。當真實的邊界框與預測的邊界框重合，則該樣本被正確召回。mAP50表示在50%的loU閾值下的mAP值。mAP50-95指標計算的loU閾值范圍在50%～95%內的mAP均值，該指標能夠更準確地評估模型在不同loU閾值下的性能。Precision、Recall、mAP計算公示如下：

2.3 模型訓練

本文設置輸入圖像大小為640×480 pixel，批量訓練樣本數量（batchsize）分別為16，整個數據集訓練次數（epochs）為100，初始學習率（learningrate）為0.001，采用余弦退火算法對學習率進行動態調整。訓練過程中的模型性能和損失曲線如圖1所示。當訓練達到100輪次時，性能和損失曲線均達到平衡，此時模型已收斂，最終模型的mAP為90.3%。

2.4 對比實驗與分析

為了驗證YOLOv8模型對頭盔檢測的有效性，與YOLOv5s進行對比實驗。YOLOv5算法對輸入的目標圖像進行預處理，以提取有用的信息。通過主干網絡進行深度卷積操作，以獲取圖像的特征信息，多層次的預測策略可以適應不同尺寸的目標，并提高目標檢測的效果。選取精度（Precision）、召回率（Recall）、mAP50、mAP50-95作為各模型的評價指標，實驗結果如表1所示。

YOLOv5模型輕量且資源高效，支持多種規模以適配不同硬件需求，加之代碼的易用性且結合多目標跟蹤技術，可精準追蹤頭盔佩戴狀態，尤其通過針對性微調，能高度適應各類具體應用場景，在之前研究中是較為理想的解決方案。由YOLOv8模型與YOLOv5模型的對比實驗結果可見，在對騎行人員頭盔數據集進行訓練時，YOLOv8模型的mAP@0.5比YOLOv5s模型更高，性能提升4.6%。mAP@0.5∶0.9表示在不同IoU閾值上的平均mAP，從0.5到0.95，步長0.05。該評價指標能更準確地評估模型在不同loU閾值下的性能，通過對比實驗結果可以看出，YOLOv8提升了5.7%，說明該模型在目標檢測中，檢測精度更高，同時在多種難度條件下也具備更高的穩定性和可靠性。

3 結語

本文提出了一種基于YOLOv8算法的頭盔佩戴檢測模型。針對實時性和高精度要求較高的頭盔佩戴檢測場景，存在算法參數量大、復雜度高和實時性差等問題。YOLOv8n以其優化的網絡結構和輕量化設計，通過改進的CSP和C2f模塊加強特征提取，結合FPN+PAN結構實現多尺度特征融合，并采用解耦頭設計提升模型收斂，以及AnchorFree機制優化樣本分配，全面增強了檢測能力。實驗結果顯示，與YOLOv5s相比，YOLOv8在頭盔檢測任務上不僅提升了mAP達4.6%，還在寬范圍IoU閾值下穩定性提高了5.7%，驗證了其在提高檢測精度和泛化能力方面的顯著效果。綜上，YOLOv8模型以其高效的檢測速度、簡化的結構設計及增強的檢測精度，可實時精準識別駕駛者頭盔佩戴情況，強化了智慧交通的監管效能。

參考文獻

［1］謝昊，賈小軍，喻擎蒼，等.基于改進YOLOv5的騎行人員頭盔及車牌檢測［J］.光電子·激光，2024（4）：396-404.

［2］陳揚，呂艷輝.基于改進YOLOv5s的頭盔佩戴檢測算法［J］.沈陽理工大學學報，2023（5）：11-17.

［3］朱碩，黃劍翔，汪宗洋，等.基于深度學習的非機動車頭盔佩戴檢測方法研究［J］.電子測量技術，2022（22）：120-127.

［4］湯天培，龔昊，李洪亮，等.電動自行車騎乘人員安全頭盔佩戴行為檢測［J］.南通大學學報（自然科學版），2023（2）：12-19.

［5］FELIX W S，CHRISTOFFER R.Automated detection of bicycle helmets using deep learning［J］.Journal of Cycling and Micromobility Research，2024（2）：1-10.

［6］LI M，WANG D.Multi-task deep learning for rider safety behavior analysis including helmet usage［J］.Pattern Recognition Letters，2023（159）：91-99.

［7］謝嘉飛.目標檢測算法優化及在頭盔檢測系統中關鍵技術研究［D］.太原：太原師范學院，2024.

Research on helmet-wearing detection methods based on deep learning

Abstract： This paper provides an overview of the current state and challenges in helmet-wearing detection technology， with a particular focus on the application potential of deep learning methodologies， notably the YOLO （You Only Look Once） series of algorithms， in the realm of helmet recognition. By implementing the YOLOv8 algorithm for helmet-wearing detection， this approach not only overcomes the limitations of conventional surveillance methods but also achieves highly efficient and accurate automated detection. It thereby significantly contributes to the implementation of the “One Helmet， One Belt” safety campaign and enhances public safety management capabilities.

Key words： deep learning; helmet detection; YOLOv8 algorithm