В связи с тем, что существующие алгоритмы обнаружения ношения касок имеют пропуски при обнаружении плотных и мелких объектов, а также обладают большим количеством параметров и высокой вычислительной нагрузкой, что делает их неподходящими для внедрения на встроенных устройствах, предложен улучшенный алгоритм обнаружения ношения касок YOLOv5-Q. Во-первых, на исходной карте признаков размером 80×80 выполнена операция двукратного увеличения с формированием карты размером 160×160, новая карта признаков объединяет три слоя признаков исходной модели, образуя четырёхмасштабное обнаружение, что повышает точность обнаружения плотных и мелких объектов. Во-вторых, для извлечения признаков основная сеть YOLOv5 заменена на лёгкую сеть GhostNet, что снижает количество параметров сети и позволяет переносить модель на встроенные устройства для обнаружения объектов. Наконец, добавлен механизм внимания CA для повышения веса важной информации на карте признаков и подавления веса нерелевантной информации, что улучшает точность модели. Результаты экспериментов показали, что размер модели YOLOv5-Q составляет 26,47 МБ, количество параметров 12 696 640, точность 0,937. По сравнению с YOLOv5 количество параметров в алгоритме YOLOv5-Q уменьшилось на 39,12%, размер модели уменьшился на 37,2%, однако точность снизилась всего на 1,2%. Алгоритм YOLOv5-Q улучшил точность обнаружения мелких объектов в плотной среде и удовлетворяет требованиям развертывания на встроенных устройствах.

YOLOv5;лёгкий;каска;встроенный;механизм внимания