既存の安全帽着用検出アルゴリズムは、密集した対象や小さな対象に対して検出漏れがあり、パラメータ数が多く計算量も大きいため、組み込み端末への展開に適していないという問題があります。そこで、改良型YOLOv5安全帽着用検出アルゴリズム「YOLOv5-Q」を提案しました。まず、元のネットワークの80×80の特徴マップに対して2倍のアップサンプリングを行い、160×160の特徴マップを形成します。新しい特徴マップは元のモデルの3層の特徴情報を融合し、4スケールの検出を実現することで、密集対象および小さな対象の検出精度を向上させました。次に、特徴抽出には軽量なGhostNetを用いて、元のYOLOv5のバックボーンネットワークを置き換え、ネットワークのパラメータを削減し、組み込み端末でのターゲット検出への移植を可能にしました。最後に、注目機構CAを追加して特徴マップ内の重要な情報の重みを高め、関連のない情報の重みを抑制することで、モデルの精度を向上させました。実験結果では、YOLOv5-Qのモデルサイズは26.47MB、パラメータ数は12,696,640、精度は0.937でした。YOLOv5と比較して、YOLOv5-Qアルゴリズムのパラメータ数は39.12％削減され、モデルサイズは37.2％小さくなりましたが、精度はわずか1.2％低下しました。YOLOv5-Qアルゴリズムは、密集環境における小さな対象の検出精度を向上させ、組み込み端末での展開の要件を満たしています。

YOLOv5;軽量;安全帽;組み込み;注目機構