测试与故障诊断计算机测量与控制．２０２３．３１（３）ＣｏｍｐｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ·１５·收稿日期：２０２２－０７－０９；修回日期：２０２２－０８－３１。基金项目：广东大学生科技创新培育专项资金资助项目（ｐｄｊｈ２０２２ｂ０４７０）。作者简介：郑楚伟（１９９９－），男，广东汕头人，大学本科，主要从事深度学习和图像处理方向的研究。通讯作者：林辉（１９８４－），男，广东乳源人，博士研究生，副教授，主要从事机器视觉理论及应用领域方向的研究。引用格式：郑楚伟，林辉．基于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ的ＹＯＬＯｖ５安全帽佩戴检测方法［Ｊ］．计算机测量与控制，２０２３，３１（３）：１５－２１．文章编号：１６７１－４５９８（２０２３）０３－００１５－０７ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０２３．０３．００３中图分类号：ＴＰ３９１文献标识码：Ａ基于ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ的ＹＯＬＯｖ５安全帽佩戴检测方法郑楚伟，林辉（韶关学院智能工程学院，广东韶关５１２００５）摘要：针对目前施工现场的安全帽检测方法存在遮挡目标检测难度大、误检漏检率高的问题，提出一种改进ＹＯＬＯｖ５的安全帽检测方法；首先，使用Ｋ－ｍｅａｎｓ＋＋聚类算法重新设计匹配安全帽数据集的先验锚框尺寸；其次，使用ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ作为ＹＯＬＯｖ５的骨干网络来提取特征，基于可移位窗口的Ｍｕｌｔｉ－ｈｅａｄ自注意力机制能建模不同空间位置特征之间的依赖关系，有效地捕获全局上下文信息，具有更好的特征提取能力；再次，提出Ｃ３－Ｇｈｏｓｔ模块，基于ＧｈｏｓｔＢｏｔｔｌｅｎｅｃｋ对ＹＯＬＯｖ５的Ｃ３模块进行改进，旨在通过低成本的操作生成更多有价值的冗余特征图，有效减少模型参数和计算复杂度；最后，基于双向特征金字塔网络跨尺度特征融合的结构优势提出新型跨尺度特征融合模块，更好地适应不同尺度的目标检测任务；实验结果表明，与原始ＹＯＬＯｖ５相比，改进的ＹＯＬＯｖ５在安全帽检测任务上的ｍＡＰ＠．５：．９５指标提升了２．３％，检测速度达到每秒３５．２帧，满足复杂施工场景下安全帽佩戴检测的准确率和实时性要求。关键词：安全帽佩戴检测；ＹＯＬＯｖ５；ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ；...
