文章编号:1009-6094(2023)02-0474-07人员安全帽佩戴轻量化检测方法研究*张玉涛，张梦凡，史学强，陈晓坤，任瑶，刘锐(西安科技大学安全科学与工程学院，西安710054)摘要:为有效减小安全帽检测算法的计算复杂度，并提高算法对于小目标的检测精度，提出一种基于Pytorch深度学习框架的轻量化安全帽检测模型。使用轻量化网络设计减小模型的计算量;设计可变形双向聚合网络提高模型对检测对象尺度和形状多样性的适应能力，优化对小目标的检测效果;通过网络收集的施工现场图像验证安全帽检测算法的检测效果。与已有安全帽检测算法相比，该方法检测精度有明显提高、模型参数量显著下降，并以137帧/s的速度运行。可变形双向聚合网络利用深层语义特征和浅层细节特征，并自适应调整感受野，可以适应不同形状和尺寸的检测对象，提高检测精度。关键词:安全工程;安全帽检测;轻量化设计;可变形双向聚合网络;深度学习中图分类号:X947文献标志码:ADOI:10.13637/j．issn．1009-6094.2021.1635*收稿日期:20210913作者简介:张玉涛，教授，从事煤炭自燃和建筑火灾防控研究，ytzhang@xust．edu．cn。基金项目:国家自然科学基金项目(51974235)0引言为保障施工人员的人身安全，防护工具的佩戴十分重要。安全帽作为一项基础的个人防护设备，能够在一定程度上降低人体头部受坠落物及其他因素引起的伤害。但仍有大量伤亡事故是由于施工人员没有按照规定佩戴安全帽而导致的［1］。为更好地保障施工人员的安全，需要对施工人员防护工具的佩戴情况进行检查。传统的人工检查存在耗费人力、容易出现错误、无法实现全程监控等一系列问题，以至于频繁出现施工人员不按照规定佩戴安全帽的现象。智能图像处理技术在工业、医疗和自动驾驶等领域的应用能够显著提高自动化水平，减少人工成本。传统的计算机视觉算法通过提取颜色［2］、形状［3］等低层级特征实现安全帽检测任务，在简单场景下能够取得不错的效果。然而，在实际场景中，传统算法受到光线、灰尘等环境因素的干扰，难以提取具有高辨别力的目标信息，导致检测效果显著下降，进而造成一定的安全隐患［4］。近年来，基于深度学习的智能图像处理技术利用深度神经网络挖掘图像中的浅层次细节信息及深层次语义信息，能够在复杂的工业环境下取得比传统方法更为准确的结果。目前，深度学习技术已被广泛应用在目标检测［5］、图像分类［6］及目标跟踪［7］等领域，具有广阔的发展前景。众多学者使用深度学习技术进行安全帽检测，并对其...
