Étant donné que les algorithmes actuels de détection du port du casque présentent des problèmes de non-détection pour les cibles denses et petites, ainsi que des paramètres nombreux et un calcul intense, ce qui les rend inadaptés à un déploiement sur des appareils embarqués, une version améliorée de l'algorithme YOLOv5 pour la détection du port du casque, nommée YOLOv5-Q, a été proposée. Tout d'abord, une opération de suréchantillonnage par un facteur de 2 a été réalisée sur la carte des caractéristiques originale de 80×80 pour former une carte de 160×160 ; cette nouvelle carte intègre les informations des trois couches de la modèle original, formant une détection à quatre échelles, améliorant la précision de détection des cibles denses et petites. Ensuite, un réseau léger GhostNet a été utilisé pour remplacer le réseau principal de YOLOv5 pour l’extraction des caractéristiques, réduisant le nombre de paramètres du réseau et permettant une implantation sur des appareils embarqués pour la détection d’objets. Enfin, un mécanisme d’attention CA a été ajouté pour augmenter le poids des informations importantes dans la carte des caractéristiques et réduire le poids des informations non pertinentes, améliorant ainsi la précision du modèle. Les résultats expérimentaux montrent que la taille du modèle YOLOv5-Q est de 26,47 Mo, avec 12 696 640 paramètres et une précision de 0,937. Par rapport à YOLOv5, le nombre de paramètres de YOLOv5-Q a diminué de 39,12%, la taille du modèle a diminué de 37,2% tandis que la précision n’a diminué que de 1,2%. L’algorithme YOLOv5-Q a amélioré la précision de détection des petites cibles en milieu dense tout en répondant aux exigences du déploiement embarqué.

YOLOv5;légèreté;casque;embarqué;mécanisme d’attention