Considerando que os algoritmos atuais de detecção do uso de capacete apresentam falhas na detecção de alvos densos e pequenos, além de possuírem muitos parâmetros e alta carga computacional, tornando-os inadequados para implantação em dispositivos embarcados, foi proposto um algoritmo aprimorado de detecção de uso de capacete YOLOv5-Q. Primeiramente, realizou-se uma operação de amostragem superior em 2 vezes sobre o mapa de características original de 80×80, formando um mapa de 160×160; o novo mapa de características integra informações de três camadas do modelo original, formando uma detecção em quatro escalas e melhorando a precisão na detecção de alvos densos e pequenos. Em seguida, utilizou-se a GhostNet leve para substituir a rede principal original do YOLOv5 para extração de características, reduzindo o número de parâmetros da rede e permitindo a portabilidade para dispositivos embarcados para detecção de alvos. Por fim, adicionou-se o mecanismo de atenção CA para aumentar o peso das informações importantes no mapa de características e suprimir o peso das informações não relacionadas, melhorando a precisão do modelo. Os resultados experimentais mostram que o tamanho do modelo YOLOv5-Q é 26,47 MB, o número de parâmetros é 12.696.640 e a precisão é 0,937. Em comparação com o YOLOv5, o número de parâmetros do algoritmo YOLOv5-Q foi reduzido em 39,12%, o tamanho do modelo diminuiu 37,2%, porém a precisão diminuiu apenas 1,2%. O algoritmo YOLOv5-Q melhora a precisão da detecção de pequenos alvos em ambientes densos e atende às necessidades de implantação em dispositivos embarcados.

YOLOv5;leve;capacete;embarcado;mecanismo de atenção