2023.7电脑编程技巧与维护Backbone输入端160×160×6480×80×12840×40×25620×20×512CBSCBSCSP1_1CSP1_2CBSCBSCSP1_3CBSCSP1_1SPPFCBS输入640×640×3320×320×3240×40×25680×80×128Neek上采样40×40×51220×20×256ConcatCSP2_1CBS上采样80×80×256ConcatCSP2_1Conv40×40×12880×80×12840×40×12840×40×25640×40×25620×20×25620×20×25620×20×512ConvConvCBSCBSConcatConcatCSP2_1CSP2_1Prediction80×80×25540×40×25520×20×255CBSConvBNSiLUResunitCBSCBSaddCSP1_XCBSResunitXConcatCBSCBSCBSCBSCBSConcatCBS2×XCSP2_XSPPFCBSMaxPoolMaxPoolMaxPoolCBSConcatSPPCBSConcatCBSMaxPoolMaxPoolMaxPoolFOCUSslicesliceslicesliceConcatCBS1概述佩戴安全帽可以有效地保护施工现场工作人员的头部。在各种复杂多变的场地中，工作人员常常存在不按规定佩戴安全帽的情况，此状况会威胁工作人员的人身安全，并可能造成重大损失。刘小慧和叶西宁[1]采用安全帽和头发颜色的区别来判断安全帽是否被佩戴；Rubaiy-at等[2]利用方向梯度直方图先确定人在图像中的位置，再利用颜色特征及圆形霍夫变换设计出安全帽特征，最后判定是否佩戴安全帽；李琪瑞[3]提出要采用定位头部区域和计算安全帽的色泽特征来检测安全帽；Chiverton[4]提出首要的目标是检测到人，再提取相对应头部的HOG及SIFT等特征，以此检测是否佩戴安全帽。以上所说的都是手动选取特征并检测的方法，其缺点很明显，如计算量大、检测速度慢、精度不高等。在实际应用中，对于安全帽检测的要求不但要准而且要快，需要满足检测的实时性，同时不能出现漏检。因此在YOLOv5主干网络中加入注意力机制（CA），以此提高特征获取更大的感受野，以及更加密集的数据。在颈部使用BiFPN来取代FPN，以实现更高层次的特征融合。对YOLOv5算法进行优化和改进，不但使其精度有了很好的提升，而且对密集目标和遮挡目标起到了更好的效果。2网络结构2.1YOLOv5网络结构YOLOv5检测算法是轻量级的检测模型，其结构如图1所示，包含输入端、Backbone、Neck及Prediction。基于改进YOLOv5的安全帽检测算法梅鹏，张佳恒，杨永生（西京学院计算机学院，西安710123）摘要：对于工业及建筑行业来说，工作人员在施工过程中佩戴安全帽是避免伤害的有效途径之一。针对这一现象，提出了一种改进YOLOv5的安全帽检测算法。该算法以YOLOv5s网络为基础，在YOLOv5s的主干网络中添加CA坐标注意力机制模块。在颈部网络...
