기존 안전모 착용 감지 알고리즘이 밀집한 대상과 작은 대상에서 누락 현상과 매개변수 과다, 계산량 증가로 임베디드 장치에 적합하지 않은 문제를 해결하기 위해 개선된 YOLOv5 안전모 착용 감지 알고리즘 YOLOv5-Q를 제안하였다. 먼저, 원래 네트워크의 80×80 피처 맵에서 2배 업샘플링을 수행하여 160×160 피처 맵을 형성하고, 새 피처 맵은 원 모델의 3개 층 피처 정보를 융합하여 4스케일 감지를 구현해 밀집 대상 및 작은 대상의 감지 정밀도를 향상시켰다. 둘째, 경량화된 GhostNet을 사용해 원래 YOLOv5의 백본 네트워크를 대체하여 피처 추출을 수행함으로써 네트워크 매개변수를 줄였으며, 임베디드 장치에 이식하여 객체 감지가 가능하다. 마지막으로, 주의 메커니즘 CA를 추가해 피처 맵 내 중요한 정보의 가중치를 높이고 비관련 정보의 가중치를 억제하여 모델 정밀도를 향상시켰다. 실험 결과, YOLOv5-Q 모델 크기는 26.47MB, 매개변수 수는 12,696,640, 정밀도는 0.937로 나타났다. YOLOv5와 비교하여 YOLOv5-Q 알고리즘의 매개변수는 39.12% 감소했으며, 모델 크기는 37.2% 줄었으나 정밀도는 1.2%만 감소했다. YOLOv5-Q 알고리즘은 밀집 환경에서 작은 대상의 감지 정확도를 향상시키고 임베디드 환경 배치 요구를 충족한다.

YOLOv5;경량;안전모;임베디드;주의 메커니즘