第36卷第3期2023年6月Vol.36No.3Jun.2023四川轻化工大学学报（自然科学版）JournalofSichuanUniversityofScience&Engineering(NaturalScienceEdition)改进YOLOv5s的摩托车头盔佩戴检测算法张鑫1,2，周顺勇1,2（1.四川轻化工大学自动化与信息工程学院，四川宜宾644000；2.人工智能四川省重点实验室，四川宜宾644000）摘要：针对摩托车头盔佩戴检测准确率低和检测速率慢的问题，提出一种基于YOLOv5s的改进摩托车头盔检测算法。首先，在YOLOv5s的多尺度特征检测中增加浅层检测尺度和4倍上采样特征融合结构，以提升检测准确率。其次，引入卷积注意力模块（ConvolutionalBlockAttentionModule，CBAM），以提升对聚集目标的关注，有效解决因遮挡、重叠导致的漏检和误检问题。最后，使用MobilenetV3的Block结构替换主干网络及颈部中的瓶颈结构，实现了降低网络参数量的目的。实验结果表明，相较于YOLOv5s算法，改进算法的mAP提高了2.91%，检测速率达到了36frame/s，在保证较高检测速率的同时检测精度更高，具有一定的应用价值。关键词：头盔检测；YOLOv5s模型；CBAM注意力机制；MobilenetV3网络中图分类号：TP391文献标志码：A引言2018年世界卫生组织发布的全球道路安全报告中[1]，摩托车交通事故导致的死亡人数占道路交通事故总死亡人数的28%。特别是在东南亚、西太平洋区域，道路交通工具以摩托车为主，摩托车交通事故死亡人数分别占总交通事故死亡人数的43%和36%。而头部受伤是导致死亡的最主要因素，如果规范佩戴摩托车头盔，死亡风险可降低42%，头部受伤风险可降低69%，从而降低摩托车事故的死亡人数。目前，对摩托车骑手是否佩戴头盔的检查仍以交警现场检查为主。随着计算机视觉技术的快速进步，智能设备在目标检测中的使用越来越普遍，深度学习是目前的主流的方法之一。基于深度学习的目标检测算法分为二阶段算法和一阶段算法两类。二阶段算法有FastR-CNN[2]、FasterR-CNN[3]、MaskR-CNN[4]等，虽然这类算法精度高，但是检测速度慢，不能满足实时检测的需求。一阶段算法包括YOLO系列算法[5-7]、SSD[8]、FCOS[9]等，兼备高精度和小参数量模型等特点。Wu等[10]使用混合描述符提取图像特征，并使用支持向量机（SVM）分类器将图像分为头盔和非头盔。Silva等[11]应用了背景减法技术来识别移动车辆和主成分分析。Shine[12]将背景减法与序列最小优化（SequentialMinimalOptimization，SMO）分类器用于检测视频中的摩托车。收稿日期：2022-03-27基金项目：...
