面向小目標(biāo)的改進(jìn)YOLOv5安全帽佩戴檢測算法

鄧珍榮，熊宇旭，楊 睿，陳昱任

1.桂林電子科技大學(xué) 計算機(jī)與信息安全學(xué)院，廣西 桂林 541004

2.廣西圖像圖形與智能處理重點實驗室，廣西 桂林 541004

3.廣西建工大都租賃有限公司，南寧 530000

隨著社會技術(shù)的不斷進(jìn)步，人工智能應(yīng)用在各個行業(yè)都得到了廣泛的使用。比如行人檢測、智能監(jiān)控等。在建筑施工行業(yè)，由于作業(yè)人員長期在高危區(qū)域中工作，為了確保工作人員的生命安全，所有人都必須佩戴好安全帽。正確佩戴好安全帽極為重要，安全帽是最為有效的保護(hù)手段，能夠有效降低外界潛在風(fēng)險對人的身體損害，確保施工行業(yè)的穩(wěn)定發(fā)展。但是近幾年的數(shù)據(jù)顯示，在建筑施工行業(yè)一直存在著各種安全風(fēng)險，同時施工人員并沒有正確佩戴安全帽，導(dǎo)致各種問題頻繁發(fā)生，原因包括員工安全意識薄弱，綜合素質(zhì)相對于其他行業(yè)來說確實很低，對于各種施工場地的安全風(fēng)險并沒有認(rèn)真考慮，極易忽略掉安全隱患，導(dǎo)致各種安全事故頻頻發(fā)生。同時施工企業(yè)的監(jiān)管設(shè)備也存在過于落后的問題，常規(guī)的人工監(jiān)督管理不僅人員費用高，設(shè)備使用繁雜而且人工長時間的監(jiān)督管理容易疲勞，容易導(dǎo)致監(jiān)督疏忽或意外安全隱患，不能滿足目前高危行業(yè)安全監(jiān)管的要求。

創(chuàng)建一個高效的安全監(jiān)管設(shè)備對于高危行業(yè)來說是必不可少的，所以許多研究者利用機(jī)器視覺技術(shù)來對安全帽的佩戴做檢測，目前檢測方法分為兩種，傳統(tǒng)的檢測算法通過圖像處理等方法來對安全帽做檢測，但是檢測性能不穩(wěn)定，在復(fù)雜多變的施工場景下，容易受到非目標(biāo)信息的干擾，魯棒性和泛用性差，不適用于當(dāng)前復(fù)雜多變的施工場景。

另一種檢測方法是使用卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的，由于RCNN[1-4]的提出，首次把卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到目標(biāo)檢測任務(wù)中，同時推動了國內(nèi)深度學(xué)習(xí)在目標(biāo)檢測上的研究，深度學(xué)習(xí)的研究學(xué)者也提出了不少的基于深度學(xué)習(xí)的目標(biāo)檢測算法來檢測安全帽，與傳統(tǒng)的目標(biāo)檢測方法相比，取得了劃時代的進(jìn)步。

目前基于深度學(xué)習(xí)的目標(biāo)檢測方法主要分為兩大類：基于候選區(qū)選?。╮egion proposal）的二階段的目標(biāo)檢測算法和基于回歸問題的單階段的目標(biāo)檢測算法。二階段檢測算法對候選框進(jìn)行回歸和去除冗余得到目標(biāo)檢測結(jié)果，主要代表有SPP-NET[5]、RCNN系列算法模型?；诨貧w問題的單階段的檢測算法是不需要進(jìn)行候選框生成操作的，而是直接把目標(biāo)的邊界框的定位轉(zhuǎn)化為回歸問題，以此來得到目標(biāo)的位置信息和目標(biāo)類別信息，這類算法的代表包括YOLO[6-9]系列模型和SSD[10]網(wǎng)絡(luò)。

在兩類算法中，一階段算法由于省略了候選框，從而讓算法的檢測速度更快。但二階段算法的檢測準(zhǔn)確率和定位精度更高。例如，徐守坤等人[11]在算法的基礎(chǔ)上改進(jìn)了更快的RCNN，模型檢測精度和速度都優(yōu)于一般的目標(biāo)檢測算法，但是算法的實現(xiàn)和訓(xùn)練過程較為復(fù)雜，在檢測重疊和密集小目標(biāo)方面仍然有著不足之處；王玲敏等人[12]在YOLOv5中引入注意力機(jī)制，預(yù)測安全帽的位置，以上的深度學(xué)習(xí)方法雖然在精度和速度上優(yōu)于其他算法，但在小目標(biāo)和密集目標(biāo)上效果不佳。

針對上述問題本文選用當(dāng)前優(yōu)秀的YOLOv5 作為改進(jìn)前的目標(biāo)檢測算法，YOLOv5相比于其他算法實時性強，但是在重疊和密集的小目標(biāo)上檢測效果較差。本文決定對YOLOv5模型進(jìn)行改進(jìn)，使其在檢測重疊和密集的小目標(biāo)任務(wù)上取得更好的結(jié)果，并滿足當(dāng)前復(fù)雜多變的施工場景的要求。

綜上，為了滿足需求并減少應(yīng)用端的計算量，對YOLOv5 進(jìn)行改進(jìn)：使用Mixup 方法對數(shù)據(jù)預(yù)處理，增強模型泛化性和魯棒性；將Transformer 融入主干網(wǎng)絡(luò)提取更豐富的語義特征；在特征融合階段添加小目標(biāo)檢測層并融入注意力機(jī)制，提高對小目標(biāo)的檢測性能，同時采用輕量化的GSConv卷積模塊，減少參數(shù)量并加快檢測速度；檢測頭對分類和回歸進(jìn)行解耦，加快收斂速度；使用Anchor-free無錨點檢測方法，簡化算法結(jié)構(gòu)，加快檢測速度；使用EIOU 損失函數(shù)來優(yōu)化邊框預(yù)測的準(zhǔn)確度。實驗結(jié)果表明改進(jìn)后的YOLOv5 模型在安全帽檢測任務(wù)中表現(xiàn)出良好的檢測性能。

1 相關(guān)技術(shù)

1.1 YOLOv5結(jié)構(gòu)介紹

YOLOv5 是在2020 年誕生的一種全新的目標(biāo)檢測算法，具有較低的體積，可以被劃分為四個不同的版本：s、m、l 和x，這四個版本的權(quán)重、模型的寬度和深度是依次增加的，本文選用最小的版本YOLOv5s 進(jìn)行改進(jìn)優(yōu)化。

YOLOv5s的結(jié)構(gòu)包括輸入端、主干網(wǎng)絡(luò)、多尺度特征融合網(wǎng)絡(luò)、檢測頭，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 YOLOv5 network structure diagram

1.1.1 輸入端

輸入端就是對輸入的原始圖像進(jìn)行數(shù)據(jù)處理，常用到的數(shù)據(jù)增強技術(shù)包括Mosaic，主要是對輸入的圖像進(jìn)行壓縮放大、隨機(jī)裁剪和隨機(jī)排列，大大降低了GPU的消耗，豐富了數(shù)據(jù)集，在不損失小目標(biāo)特征的情況下，增加了小目標(biāo)的多樣性，從而提高了YOLO模型對小目標(biāo)的檢測性能，接著把圖像縮放到模型規(guī)定的大小，再進(jìn)行檢測。同時，根據(jù)預(yù)測的錨框大小和位置，使用自適應(yīng)錨框計算，以使其適應(yīng)當(dāng)前圖像的內(nèi)容，獲得最佳預(yù)測框。

1.1.2 主干網(wǎng)絡(luò)（Backbone）

主干網(wǎng)絡(luò)部分包括Focus、CSP 和SPP 三大模塊，F(xiàn)ocus對特征圖做切片操作，來獲得更小的特征圖，降低了FLOPS 和提高檢測速度。CSP 模塊是將原輸入數(shù)據(jù)做分支處理，一個分支進(jìn)行卷積操作降低通道數(shù)，另一個分支進(jìn)行多個殘差結(jié)構(gòu)（Bottleneck）堆疊，然后拼接兩個分支，目的是讓YOLO 模型學(xué)習(xí)到更多的特征信息。SPP 模塊組合使用三個不同尺度大小的池化核進(jìn)行最大池化操作，在不降低推理速度的情況下，擴(kuò)大網(wǎng)絡(luò)的感受野，解決候選錨框與特征圖各層之間的對齊問題。

1.1.3 多尺度特征融合網(wǎng)絡(luò)（Neck）

Neck模塊采用特征金字塔從上向下傳遞語義信息和路徑聚合結(jié)構(gòu)來傳遞定位信息，提高了特征層之間的交互性，對提取到的有效特征層信息進(jìn)行交互融合，從而進(jìn)一步提高模型的檢測性能。

1.1.4 檢測頭（Prediction）

Prediction 中的損失包括分類和回歸兩部分，YOLOv5模型的損失函數(shù)為GIOU Loss，在目標(biāo)檢測后的處理過程中，使用非極大值抑制算法篩選預(yù)測框，提高對目標(biāo)識別的準(zhǔn)確率。

1.2 MHSA和CoAtNet

近年來，在計算機(jī)視覺領(lǐng)域，基于Transformer[13-14]的模型取得了顯著的結(jié)果。基于Transformer設(shè)計實現(xiàn)的模型有很多，例如，圖像分類模型的VIT[15]、目標(biāo)檢測模型的DETR[16]，以及江英杰等人[17]改進(jìn)的目標(biāo)跟蹤算法都取得了很好的效果。UC Berkeley 和Google 基于Transformer 設(shè)計了BotNet[18]，Bot-Transformer 是一種集成CNN[19-20]和Attention 的強大Backbone。BotNet 將ResNet50[21]使用的Bottleneck的卷積替換成多頭注意力機(jī)制（multi-head self-attention，MHSA），如圖2所示。

圖2 ResNet Bottleneck與BotNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 ResNet Bottleneck and BotNet network structure

MHSA 結(jié)構(gòu)如圖3 所示，MHSA 引入相對位置編碼，能夠有效地聚合全局信息，捕獲遠(yuǎn)距離依賴關(guān)系，并將對象之間的信息與位置感知有效關(guān)聯(lián)。

圖3 Multi-Head Self-Attention網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Multi-Head Self-Attention network structure

為了有效地將CNN和Transformer融合，CoAtNet[22]提出了一種基于卷積層和注意力層相互混合的模型結(jié)構(gòu)，將卷積和自注意力通過簡單的相對注意自然統(tǒng)一，CNN 和Transformer 以傳統(tǒng)方式垂直堆疊，在泛化能力和效率上獲得了驚人的效果。為了降低計算復(fù)雜度，當(dāng)特征圖達(dá)到可管理的水平時，使用下采樣操作來減少空間并利用全局相對注意力，這樣就降低了特征圖的分辨率和計算的復(fù)雜性。如圖4 所示，CoAtNet 模型作者最終發(fā)現(xiàn)C-C-T-T 的排列混合的效果最好，其中C 表示CNN，T表示Transformer。

2 YOLOv5s算法的改進(jìn)

2.1 添加Mixup數(shù)據(jù)增強方法

在數(shù)據(jù)預(yù)處理階段，加入簡單有效的Mixup 方法，能夠解決YOLOv5模型中存在的過擬合、不平衡表示以及對特定樣本的敏感性的問題。Mixup 簡單來說就是對兩張圖像進(jìn)行疊加融合，同時對不同類別進(jìn)行建模處理。

核心思想是通過隨機(jī)加權(quán)相加從訓(xùn)練樣本中提取兩個隨機(jī)樣本，然后根據(jù)預(yù)測結(jié)果，反向推導(dǎo)更新參數(shù)。此外，所有的訓(xùn)練過程都只采用混合的新圖像訓(xùn)練，并且原始圖像不參與訓(xùn)練過程，這種方法在圖像識別領(lǐng)域有明顯的提升效果。Mixup 的圖像混合生成方式比較簡單。如公式（1）、（2）所示：

λ∈[0，1]是概率值，λ～Beta(α,α)即λ服從參數(shù)都為α的Beta分布。

其中，x為輸入向量，y為類別標(biāo)簽，(xi,yi)與(xj,yj)是同一個batch 中隨機(jī)選擇的兩個樣本及對應(yīng)標(biāo)簽，λ為從Beta分布中隨機(jī)采樣的數(shù)，λ∈[0,1]。Mixup不僅可以增加數(shù)據(jù)的多樣性，而且改善了YOLOv5模型的泛化能力，并提高了對于類別不平衡樣本的處理能力，無論對于含噪聲標(biāo)簽的數(shù)據(jù)還是對抗樣本攻擊，都表現(xiàn)出不錯的魯棒性。

2.2 加入MHSA模塊

YOLOv5 的主干網(wǎng)絡(luò)采用卷積操作來提取特征信息，側(cè)重于提取局部特征，對于全局上下文信息的建模能力相對較弱。這可能導(dǎo)致模型對目標(biāo)的語義理解不夠準(zhǔn)確，特別是在復(fù)雜場景和小目標(biāo)的檢測中。

為了解決這個問題，引入Transformer 來加強主干網(wǎng)絡(luò)的語義特征表示，獲得更豐富的語義特征信息和更高的計算效率。

借 鑒BoTNet 替 換ResNet 的Bottleneck 為MHSA的設(shè)計思想，在原始的YOLOv5 模型基礎(chǔ)上將Bot-Transformer引入到主干網(wǎng)絡(luò)中，提高了YOLOv5模型對長距離依賴關(guān)系的建模能力，能夠更好地捕捉圖像中的重要特征，這種方法提高了對小目標(biāo)的檢測性能，同時減少了參數(shù)量，實現(xiàn)了最小化的延遲。

為了降低計算的復(fù)雜度，決定把自注意力機(jī)制置于網(wǎng)絡(luò)模型之后，借鑒CoAtNet 設(shè)計的C-C-T-T 的排列混合方式，將主干網(wǎng)絡(luò)的第3 和第4 個Bottleneck 替換為Bot-Transformer。通過這種改進(jìn)方式，在保證計算復(fù)雜度的前提下，有效地融合了CNN和Transformer的優(yōu)勢，提升了模型的特征表達(dá)能力和泛化能力。

最后實驗數(shù)據(jù)說明，本文的改進(jìn)不僅提升了YOLOv5模型的性能，而且在實際應(yīng)用中具有較低的計算復(fù)雜度，這對于實時場景和資源受限的設(shè)備具有重要意義。改進(jìn)后的Backbone模型如圖5所示。

圖5 YOLOv5結(jié)合Transformer網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 YOLOv5 combined with Transformer network structure

2.3 設(shè)計小目標(biāo)檢測層并添加坐標(biāo)注意力機(jī)制

YOLO 系列算法都是采用提取多尺度有效特征圖來實現(xiàn)目標(biāo)檢測任務(wù)的，采用20×20、40×40、80×80這三種尺度來實現(xiàn)對大、中、小三種不同尺寸目標(biāo)的檢測。但是由于許多目標(biāo)距離較遠(yuǎn)，體積很小，在圖像或視頻中不夠清晰，最初用于檢測80×80規(guī)模小目標(biāo)的尺度無法完全覆蓋更小的目標(biāo)。因此，添加了一個160×160尺寸的檢測層，便于檢測較小的目標(biāo)。為了避免增加過多的計算負(fù)擔(dān)，不與其他尺寸的特征層做融合。

雖然添加了小目標(biāo)檢測層，但由于小目標(biāo)的像素信息較少，在特征提取過程中，可能會導(dǎo)致小目標(biāo)的特征在特征圖上變得稀疏，信息不夠充分，而且小目標(biāo)通常存在與其他物體的相似度較高，容易造成混淆和誤判。

為了解決這些問題，決定引入注意力機(jī)制（coordinate attention，CA）[23]。注意力機(jī)制能夠自適應(yīng)地調(diào)整特征圖中的不同位置的權(quán)重，將關(guān)注點集中在小目標(biāo)的關(guān)鍵區(qū)域，提升小目標(biāo)的表征能力，減少特征稀疏性問題，同時注意力機(jī)制也能夠引入更多的上下文信息，幫助模型更好地理解小目標(biāo)，提高小目標(biāo)的區(qū)分度，提供更全面的特征表示。

CA 是一種高效且新穎的注意力機(jī)制，通過將通道注意力分解為兩個并行的1D 特征編碼，有效地整合了空間坐標(biāo)信息，使網(wǎng)絡(luò)能夠獲取更大范圍的信息而避免引入大的開銷。

CA模型作者通過大量實驗在ImageNet[24]分類和對象檢測任務(wù)中證明了CA相對于以前的網(wǎng)絡(luò)注意力方法有著顯著優(yōu)勢，如圖6所示。

圖6 分類和對象檢測任務(wù)的數(shù)據(jù)圖Fig.6 Data graph for classification and object detection tasks

因此，本文決定引入CA，其結(jié)構(gòu)如圖7所示。

圖7 CA網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 CA network structure

CA 將輸入的特征向量分解為一維向量，并進(jìn)行拼接嵌入、通道壓縮和標(biāo)準(zhǔn)化處理。然后，它在空間維度上進(jìn)行拆分，并與原始輸入特征向量進(jìn)行殘差堆疊。這種機(jī)制能夠增強感興趣目標(biāo)的表示，提升模型對輸入特征的遠(yuǎn)程相關(guān)性的捕捉能力，進(jìn)而提高模型性能。

設(shè)計小目標(biāo)層網(wǎng)絡(luò)結(jié)構(gòu)：小目標(biāo)檢測層采用C3 模塊，這種模塊參數(shù)量較小且適合多尺度，能夠捕獲細(xì)節(jié)信息并擴(kuò)展感受野。同時，在C3后面加入CA來進(jìn)一步處理，增強對小目標(biāo)的感知能力，從而提升模型的準(zhǔn)確性和魯棒性。這樣改進(jìn)的優(yōu)勢在于，在YOLOv5模型中實現(xiàn)了更強大的小目標(biāo)檢測能力，在處理小目標(biāo)場景下表現(xiàn)出色。具體的小目標(biāo)檢測層設(shè)計結(jié)構(gòu)如圖8所示。

圖8 小目標(biāo)層網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 Small target layer network structure

2.4 將GSConv加入到特征金字塔中

在YOLOv5中，特征金字塔結(jié)構(gòu)使用普通卷積來融合不同尺度的特征信息，但這種方法會引入大量冗余計算。為了有效降低預(yù)測計算帶來的復(fù)雜度，決定加入一種輕量化卷積GSConv，來替換特征金字塔中的普通卷積。

GSConv 是一種全局稀疏卷積操作，通過在特征圖上引入全局稀疏性，實現(xiàn)了對全局信息的有效聚合，相比傳統(tǒng)的普通卷積，在保持全局信息的同時，GSConv利用了全局稀疏性，僅對稀疏位置進(jìn)行卷積計算，大大減少了計算量和參數(shù)數(shù)量。GSConv 結(jié)構(gòu)如圖9 所示，先進(jìn)行shuffle處理，再將密集卷積運算生成的信息和深度可分離卷積生成的信息進(jìn)行融合。同時，GSConv 還引入了稀疏性掩碼來控制每個位置的稀疏性，以進(jìn)一步降低計算量。

圖9 GSConv網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 GSConv network structure

對于加速預(yù)測的算法，在CNN 中的特征信息會逐漸地向通道傳遞，而且，每次特征圖的空間縮小或者通道增加，都可能造成語義信息的局部損失。但是GSConv能夠盡可能地保留這些語義信息。當(dāng)YOLOv5 模型進(jìn)入到特征金字塔模塊時，通道維度將會達(dá)到最大，寬高達(dá)到最小，不需要再進(jìn)行變換。

因此，在特征金字塔模塊中使用GSConv 處理多尺度特征信息會更好，重復(fù)信息較少，改進(jìn)YOLOv5 模型的準(zhǔn)確率會非常接近原YOLOv5 模型。在特征金字塔部分中，將Conv 卷積替換為GSConv，同時簡化四個有效輸出特征層的通道數(shù)，均為256，能夠減輕模型的復(fù)雜度，加快算法的推理速度，適合在資源受限的環(huán)境中部署，改進(jìn)后的Neck結(jié)構(gòu)如圖10所示。

圖10 改進(jìn)后Neck網(wǎng)絡(luò)結(jié)構(gòu)Fig.10 Improved Neck network structure

2.5 使用解耦頭（decouple head）并簡化

在YOLO 系列算法中，YOLO Head 對候選框的分類和回歸計算是串行的，導(dǎo)致兩個任務(wù)的優(yōu)化受到了限制，這種耦合限制了模型對目標(biāo)分類和位置精確定位的能力，難以準(zhǔn)確地回歸小目標(biāo)的位置信息，極大地影響了YOLO 模型的檢測性能。本文對檢測頭進(jìn)行改進(jìn)，將分類和回歸計算改為并行計算，也就是解耦合，變成兩個分支，同時再添加一個IOU 計算的分支，對每個任務(wù)獨立優(yōu)化，從而提高了目標(biāo)分類和位置回歸的性能，更好地捕捉小目標(biāo)的位置信息，解耦結(jié)構(gòu)對比如圖11所示。

圖11 Decouple Head和Coupled Head結(jié)構(gòu)圖Fig.11 Decouple Head and Coupled Head Structures

如果使用耦合頭（coupled head），輸出通道將分類任務(wù)和回歸任務(wù)放在一起，這2個任務(wù)存在沖突性。通過實驗發(fā)現(xiàn)替換為Decoupled Head 之后，不僅是模型精度上會提高，同時網(wǎng)絡(luò)的收斂速度也加快了，表達(dá)能力更好。

具體來說，對于不同尺度大小的有效特征層，首先采用1×1 conv層來將特征通道減少到256個，然后輸入到兩個分支，每個分支都有兩個卷積層，一個用于分類，另一個用于回歸和IOU預(yù)測，這樣可以提升目標(biāo)檢測的準(zhǔn)確性，增強對小目標(biāo)的檢測能力，并提高訓(xùn)練和推理效率。

解耦頭對于YOLOv5來說是很有必要的，使用兩個并行的3×3的conv分支，會導(dǎo)致解耦的檢測頭增加額外的推理時間。所以需要對解耦結(jié)構(gòu)的檢測頭進(jìn)行簡化操作：去掉1×1的conv，減少推理耗時，也就是去掉圖11中虛線圓形區(qū)域。這些改進(jìn)為YOLOv5 模型在各種目標(biāo)檢測任務(wù)中帶來了更好的性能和應(yīng)用潛力。

2.6 使用Anchor-free

YOLO 系列算法是基于Anchor-based 來實現(xiàn)的，Anchor-based 依賴于預(yù)定義的錨框來進(jìn)行目標(biāo)定位和分類。然而，錨框生成受到特定數(shù)據(jù)庫影響，泛化性差，在處理尺寸變化較大、密集目標(biāo)或大量重疊目標(biāo)的情況下可能存在不足、復(fù)雜度高、兼容性差等問題。

但是Anchor-free并不會存在這樣的問題，Anchor-free簡化了設(shè)計，不依賴于固定尺寸錨框，能夠適應(yīng)不同尺度和形狀的目標(biāo)，在每個位置生成目標(biāo)框，可以更準(zhǔn)確地定位目標(biāo)。

本文決定引入Anchor-free 來替代Anchor-based，來解決上述存在的問題，具體做法如下：對特征圖的每個位置只用一個候選框做檢測，并把目標(biāo)的中心點作為正樣本，并建立一個尺度范圍來對應(yīng)多個有效特征層的尺度大小，解決了Anchor-based 存在的錨框選擇困難、適應(yīng)性差、重疊問題和小目標(biāo)檢測困難等問題。這種改進(jìn)使得YOLOv5 模型更加靈活、準(zhǔn)確，并提高了對各種目標(biāo)的檢測能力，尤其在小目標(biāo)檢測方面具有明顯的優(yōu)勢和提升。

2.7 使用EIOU損失函數(shù)

傳統(tǒng)的YOLOv5 損失函數(shù)使用IOU 來度量邊界框的重疊程度，但忽略了邊界框的大小和位置。而EIOU損失函數(shù)考慮了這些因素，能夠更準(zhǔn)確地評估目標(biāo)的定位情況，這有助于改善目標(biāo)檢測的準(zhǔn)確性。

而且EIOU損失函數(shù)也改善了對傾斜目標(biāo)的檢測效果，解決了傳統(tǒng)YOLOv5損失函數(shù)在此方面的不足。它還提供了更穩(wěn)定的梯度更新，減少了訓(xùn)練過程中的不穩(wěn)定性問題，特別是在處理較小目標(biāo)時。同時，EIOU損失函數(shù)綜合考慮了邊界框的重疊程度、大小和位置的誤差，使得模型能夠更全面地學(xué)習(xí)目標(biāo)的特征，提高了模型的魯棒性和泛化能力。

所以本文決定采用EIOU Loss，具體公式（3）所示，并添加Focal Loss解決樣本不平衡問題。EIOU損失函數(shù)由重復(fù)損失、中心距離損失和寬度高損失三部分構(gòu)成，計算寬高損失讓目標(biāo)框和錨框的差值最小，不僅加快了模型的收斂速度，也提高了回歸精度。

2.8 改進(jìn)后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5是一種優(yōu)秀的目標(biāo)檢測算法，在工程實踐中表現(xiàn)出色，但仍有改進(jìn)的空間。通過前面的理論分析與研究，可以得到一種面向小目標(biāo)的改進(jìn)YOLOv5模型，用于安全帽佩戴檢測，其網(wǎng)絡(luò)整體結(jié)構(gòu)如圖12所示。

圖12 改進(jìn)后YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)Fig.12 Improved YOLOv5 network structure

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)處理與實驗環(huán)境

本次的實驗環(huán)境：CPU 為Intel Core i7-10700，24 GB 運行內(nèi)存，GPU 為NVIDIA Quadro P4000，8 GB顯存，Windows 10，64 位操作系統(tǒng)，通過Pytorch1.8.0 深度學(xué)習(xí)框架實現(xiàn)模型的搭建、訓(xùn)練和驗證，計算架構(gòu)為CUDA11.3.1，加速軟件為CUDNN8.2.1。

超參數(shù)設(shè)置為：訓(xùn)練圖像分辨率為640×640，批次大小設(shè)置為4，使用SGD 優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.01，mixup 為0.5，凍結(jié)訓(xùn)練50 個epoch，總迭代運行次數(shù)為300個epoch。所有參照模型均按照以上參數(shù)進(jìn)行訓(xùn)練。

為了充分說明改進(jìn)后YOLOv5模型對安全帽小目標(biāo)的檢測性能，用PASCAL VOC和Safety Helmet Wearing數(shù)據(jù)集對模型進(jìn)行訓(xùn)練和測試，并在去除其中不符合本實驗的圖像樣本的同時，從網(wǎng)絡(luò)上篩選和補充復(fù)雜施工環(huán)境和目標(biāo)密集的圖像素材，進(jìn)一步提高檢測難度和多樣性。

3.2 實驗評價指標(biāo)

本文實驗通過準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）、平均精度（average precision，AP）和平均精度均值（mean average precision，mAP）等指標(biāo)來評估改進(jìn)YOLOv5s算法的性能以上指標(biāo)的具體含義如下：

（1）Accuracy表示預(yù)測正確的目標(biāo)數(shù)占樣本總數(shù)的比例，如公式（4）所示：

（2）Precision表示預(yù)測出的真實正例占所有預(yù)測為正確的比例。用以衡量預(yù)測結(jié)果中，正例被預(yù)測正確的概率。如公式（5）所示：

（3）Recall 表示預(yù)測出的真實正例占實際正樣本總量的比例，用來反映漏檢情況，如公式（6）所示：

（4）mAP 用來均衡Precision 和Recall 的計算結(jié)果的，這兩個指標(biāo)具有單點值局限性，不能充分評估模性能，所以引入mAP，mAP則代表了整個數(shù)據(jù)集中所有類別的AP 的均值，其計算方式如公式（7）所示，一般將閾值設(shè)置為0.5，即IOU 大于0.5 的預(yù)測框是有效的，每隔0.05計算一次mAP值，最后計算所有mAP的均值，公式（7）如下：

3.3 PASCAL VOC數(shù)據(jù)集性能評估

由于安全帽數(shù)據(jù)集的目標(biāo)尺度太小，在此數(shù)據(jù)上顯著提升檢測效果難度較大。為了更好地驗證改進(jìn)后的YOLOv5 模型在小目標(biāo)數(shù)據(jù)集上的表現(xiàn)，在PASCAL VOC 數(shù)據(jù)集上進(jìn)行多次對比實驗，并對模型的收斂性能、總損失和mAP進(jìn)行評估測試，下面詳細(xì)介紹在該數(shù)據(jù)上的實驗結(jié)果。

YOLOv5s 和改進(jìn)后的YOLOv5s 在PASCAL VOC上的損失曲線和各個類別的平均精度圖如圖13所示。

圖13 改進(jìn)YOLOv5的Loss曲線和Class_mAP圖Fig.13 Test Loss curve and Class_mAP chart of improved YOLOv5

觀察兩個模型在該數(shù)據(jù)集上的Loss曲線可知，訓(xùn)練過程中改進(jìn)后的YOLOv5的總損失均保持在較低狀態(tài)，一直低于YOLOv5 的總損失，收斂速度也更快，改進(jìn)后的YOLOv5s 的損失曲線更加平滑，訓(xùn)練更加穩(wěn)定?？傮w而言，改進(jìn)后的收斂性更好。

在PASAL VOC 數(shù)據(jù)集中，有17 種尺寸相對較小、特征不夠明顯，且樣本面積小于32×32 像素的小目標(biāo)，從平均精度對比圖可知，改進(jìn)后的YOLOv5s 模型在PASCAL VOC 數(shù)據(jù)集上提高了多個小目標(biāo)的檢測精度，平均精度提高了2.03 個百分點，并且損失值也有所下降。這表明改進(jìn)的方法能夠更準(zhǔn)確地識別和定位小目標(biāo)，提高了對這些難以檢測的小目標(biāo)的檢測能力。這對于許多實際應(yīng)用場景中的小目標(biāo)檢測任務(wù)具有重要意義，能檢測到更多小尺度的物體，有效地提高模型在小目標(biāo)檢測上的性能。

3.4 安全帽數(shù)據(jù)集性能評估

為了驗證改進(jìn)后的YOLOv5模型在安全帽小目標(biāo)上的表現(xiàn)，在Safety Helmet Wearing數(shù)據(jù)集上進(jìn)行多次對比實驗，并對模型的權(quán)重大小、推理時間、平均精度均值和召回率，四個指標(biāo)進(jìn)行驗證，下面詳細(xì)介紹在該數(shù)據(jù)上的實驗內(nèi)容，在安全帽數(shù)據(jù)集上的實驗結(jié)果如表1所示。

表1 改進(jìn)過程的對比實驗結(jié)果Table 1 Comparative experimental results of improvement process

從表1中可以看出，這七種改進(jìn)都能給模型帶來明顯的性能增益，mAP 不斷上升。改進(jìn)1～3 使模型的Backbone 融入了MHSA，添加了小目標(biāo)檢測模塊，導(dǎo)致網(wǎng)絡(luò)的計算量增加，推理速度變慢；改進(jìn)4 使用輕量化卷積GSConv 來替換普通卷積，減輕了模型復(fù)雜度，預(yù)測速度有一點回升；改進(jìn)5 將分類和回歸解耦合，同時增加IOU 計算分支，讓推理時間延長；改進(jìn)6 使用Anchor-free 替換Anchor-based，不需要大量生成錨框，從而減少了計算量和推理時間；改進(jìn)7 使用EIOU 提高了檢測結(jié)果的準(zhǔn)確性和穩(wěn)定性，不影響模型的推理速度。與原YOLOv5s相比，改進(jìn)后的YOLOv5s模型權(quán)重增加了6.6 MB，每一幀的推理時間增加8 ms，mAP提高了4.73 個百分點，召回率提高了3.2 個百分點。綜上所述，改進(jìn)后的YOLOv5模型能有效提高安全帽這類小目標(biāo)的精度，改善安全帽漏檢問題，顯著提高了模型性能。

對YOLOv5s 和改進(jìn)后的YOLOv5s 算法在安全帽數(shù)據(jù)集上的準(zhǔn)確率與召回率進(jìn)行評估，mAP和Recall的曲線圖如圖14所示。

圖14 改進(jìn)YOLOv5和YOLOv5s的訓(xùn)練結(jié)果Fig.14 Improved YOLOv5 and YOLOv5s of training results

為了凸顯出改進(jìn)YOLOv5算法性能的優(yōu)勢，選擇了重疊且密集的目標(biāo)，遠(yuǎn)距離小目標(biāo)以及弱光照場景圖像來進(jìn)行檢測對比，結(jié)果如圖15和圖16所示。

圖15 改進(jìn)YOLOv5檢測結(jié)果Fig.15 Improved YOLOv5 test results

圖16 YOLOv5s檢測結(jié)果Fig.16 YOLOv5s test results

由檢測結(jié)果可知，改進(jìn)YOLOv5 在目標(biāo)密集、遠(yuǎn)距離、光線不足三個場景下都有較好的檢測精度，準(zhǔn)確率高于YOLOv5s，檢測到的目標(biāo)也多于YOLOv5s。由此可知，本文改進(jìn)的YOLOv5 算法，有著較高的精度和召回率，而且對重疊目標(biāo)也有較高的辨識度，達(dá)到了當(dāng)下復(fù)雜多變的施工場景的要求。

3.5 改進(jìn)YOLOv5s與其他算法的對比

將改進(jìn)的YOLOv5s與其他檢測安全帽的主流算法進(jìn)行對比，評估改進(jìn)YOLOv5 的性能，所有算法對比模型均使用本文提供的Safety Helmet Wearing數(shù)據(jù)集進(jìn)行訓(xùn)練、測試和驗證，實驗結(jié)果包括每個模型在權(quán)重、mAP、召回率和推理時間四個指標(biāo)上的對比數(shù)據(jù)，如表2所示。

表2 與其他主流安全帽檢測算法的對比實驗結(jié)果Table 2 Comparative experimental results with other mainstream helmet detection algorithms

由表2可知，改進(jìn)后的YOLOv5s模型比YOLOv5s模型的權(quán)重多了6.6 MB，雖然在推理時間上比YOLOv5s慢了8 ms，但是安全帽的平均精度和召回率分別比YOLOv5s提高了4.56和3.2個百分點。YOLOv7在安全帽的mAP和Recall兩個指標(biāo)上都比改進(jìn)后的YOLOv5要好一點，然而YOLOv7模型權(quán)重大概是改進(jìn)后YOLOv5s網(wǎng)絡(luò)模型權(quán)重的4倍，推理速度也略低于改進(jìn)YOLOv5s，模型復(fù)雜度過高，不適合部署在生產(chǎn)實踐設(shè)備上。YOLOX在平均精度和召回率上都不如改進(jìn)后的YOLOv5，F(xiàn)aster-RCNN、SSD、YOLOv3 和YOLOv4 模型在模型權(quán)重、平均精度、召回率和推理時間四個指標(biāo)上都遠(yuǎn)不如改進(jìn)后YOLOv5s模型性能好，雖然改進(jìn)的YOLOv5s在平均精度和召回率上和Faster-RCNN差距不明顯，但是Faster-RCNN在權(quán)重上比改進(jìn)的模型多124.7 MB，算法的推理時間上也比改進(jìn)的模型慢了158 ms。由以上對比實驗數(shù)據(jù)可知，改進(jìn)后的YOLOv5s模型性能良好，在檢測安全帽小目標(biāo)上有較高的mAP和Recall，能夠滿足當(dāng)下施工場景的要求。

4 結(jié)束語

由于現(xiàn)階段安全帽檢測算法存在小目標(biāo)漏檢、誤檢，而且檢測精度低和速度慢都不能滿足當(dāng)下的場景需求。所以本文提出了一種基于YOLOv5s模型的改進(jìn)算法。該改進(jìn)主要包括在YOLOv5 的Backbone 中加入MHSA，在Neck 中引入注意力機(jī)制和輕量級卷積GSConv，替換使用解耦檢測頭和Anchor-free 等七個改進(jìn)點來改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，目的是提高對小目標(biāo)的檢測性能，降低安全帽誤檢漏檢的問題，在保證高精度和速度的情況下，增強模型的泛化能力和魯棒性。實驗研究結(jié)果也說明了，改進(jìn)后的YOLOv5模型在小目標(biāo)的檢測性能上要遠(yuǎn)遠(yuǎn)優(yōu)于原模型，而且有較高的準(zhǔn)確率和召回率，減少了小目標(biāo)漏檢誤檢的概率，能夠滿足現(xiàn)階段的需求。本文修改的YOLOv5泛化性強，檢測其他類型的小目標(biāo)也是沒有問題的。接下來的研究方向就是對安全帽進(jìn)行跟蹤檢測，在保證精確率和召回率的前提下，優(yōu)化模型在攝像頭等設(shè)備上的檢測性能，使之達(dá)到更好的檢測效果。