Dado que los algoritmos actuales de detección del uso de casco presentan omisiones en objetivos densos y pequeños, además de múltiples parámetros y alta carga computacional, lo que los hace inadecuados para el despliegue en dispositivos embebidos, se ha propuesto un algoritmo mejorado de detección del uso de casco YOLOv5-Q. Primero, se realiza una operación de sobremuestreo de 2 veces sobre el mapa de características original de 80×80 para formar un mapa de 160×160; el nuevo mapa de características fusiona la información de tres capas del modelo original, formando una detección a cuatro escalas que mejora la precisión en objetivos densos y pequeños. Segundo, se utiliza la red ligera GhostNet para reemplazar la red principal de YOLOv5 para la extracción de características, reduciendo la cantidad de parámetros de la red y permitiendo su implementación en dispositivos embebidos para la detección de objetivos. Finalmente, se añade el mecanismo de atención CA para aumentar el peso de la información importante en el mapa de características y suprimir el peso de la información no relevante, mejorando la precisión del modelo. Los resultados experimentales muestran que el tamaño del modelo YOLOv5-Q es de 26.47 MB, el número de parámetros es 12,696,640 y la precisión es 0.937. En comparación con YOLOv5, el número de parámetros del algoritmo YOLOv5-Q se redujo en un 39.12%, el tamaño del modelo disminuyó un 37.2%, pero la precisión solo disminuyó un 1.2%. El algoritmo YOLOv5-Q mejora la precisión de detección de pequeños objetivos en entornos densos y satisface los requisitos para su despliegue en dispositivos embebidos.

YOLOv5;ligero;casco;embebido;mecanismo de atención