Da bestehende Sicherheitshelmdetektionalgorithmen für dichte und kleine Ziele häufig Erkennungsfehler aufweisen und viele Parameter sowie eine hohe Rechenlast haben, was sie für die Bereitstellung auf eingebetteten Geräten ungeeignet macht, wurde ein verbesserter YOLOv5-Sicherheitshelmdetektionalgorithmus namens YOLOv5-Q vorgeschlagen. Zunächst wurde auf der ursprünglichen 80×80-Feature-Map eine zweifache Hochskalierung durchgeführt, um eine 160×160-Feature-Map zu bilden; die neue Feature-Map integriert die Merkmale von drei Schichten des ursprünglichen Modells und bildet eine vierstufige Erkennung, die die Erkennungsgenauigkeit für dichte und kleine Ziele verbessert. Zweitens wurde zur Merkmalsextraktion das leichte GhostNet anstelle des ursprünglichen YOLOv5-Backbones verwendet, was die Anzahl der Parameter reduziert und die Übertragung auf eingebettete Geräte zur Zielerkennung ermöglicht. Schließlich wurde der Aufmerksamkeitsmechanismus CA hinzugefügt, um die Gewichtung wichtiger Informationen auf der Feature-Map zu erhöhen und die Gewichtung irrelevanter Informationen zu unterdrücken, wodurch die Genauigkeit des Modells verbessert wird. Die experimentellen Ergebnisse zeigen, dass die Modellgröße von YOLOv5-Q 26,47 MB beträgt, die Anzahl der Parameter 12.696.640 und die Genauigkeit 0,937. Im Vergleich zu YOLOv5 wurde die Anzahl der Parameter im YOLOv5-Q-Algorithmus um 39,12 % reduziert, die Modellgröße um 37,2 % verringert, jedoch sank die Genauigkeit nur um 1,2 %. Der YOLOv5-Q-Algorithmus verbessert die Erkennungsgenauigkeit kleiner Ziele in dicht besiedelten Umgebungen und erfüllt die Anforderungen an die Bereitstellung auf eingebetteten Geräten.

YOLOv5;leicht;Sicherheitshelm;eingebettet;Aufmerksamkeitsmechanismus