基于改进YOLOv8n 的井下人员安全帽佩戴检测

摘要：针对现有井下人员安全帽佩戴检测方法未考虑遮挡、目标较小、背景干扰等因素，存在检测精度差及模型不够轻量化等问题，提出一种改进YOLOv8n 模型，并将其应用于井下人员安全帽佩戴检测。在颈部网络中加入P2 小目标检测层，提高模型对小目标的检测能力，更好地捕捉安全帽目标细节；在主干网络中添加卷积块注意力模块（CBAM）提取图像关键特征，减少背景信息的干扰；将CIoU 损失函数替换为WIoU 损失函数，提升模型对检测目标的定位能力；采用轻量化共享卷积检测头（LSCD），通过共享参数的方式降低模型复杂度，并将卷积中的归一化层替换为群组归一化（GN），在尽可能保证精度的同时实现模型轻量化。实验结果表明：与YOLOv8n 模型相比，改进YOLOv8n 模型在交并比阈值为0.5 时的平均精度均值（mAP@50）提升了1.8%，参数量减少了23.8%，计算量下降了10.4%，模型大小减小了17.2%；改进YOLOv8n 模型检测精度高于SSD，YOLOv3−tiny，YOLOv5n，YOLOv7 和YOLOv8n，模型复杂度仅高于YOLOv5n，较好地平衡了模型检测精度与复杂度；在井下复杂场景下，改进YOLOv8n 模型能够实现对井下人员安全帽佩戴的准确检测，改善了漏检问题。

关键词：井下安全帽检测；小目标检测；YOLOv8n；CBAM；WIoU；轻量化

中图分类号：TD67 文献标志码：A

0 引言

井下工作环境面临坍塌、有毒气体、高温等潜在危险[1]。为保障工作人员的安全，个人防护装备的使用至关重要，其中确保人员正确佩戴安全帽并及时发现未佩戴者成为重要任务。

目标检测是井下人员安全帽佩戴检测的核心。近年来，深度学习算法在目标检测领域广泛应用。常用的目标检测方法主要分为单阶段检测模型（如SSD[2]，YOLO[3]）与双阶段检测模型（如R−CNN[4]）。在工业领域中，双阶段检测模型由于其复杂性导致检测速度较慢，难以保证实时检测。单阶段检测模型中，SSD 检测速度较快，但精度较差，而YOLO 以其较高的实时性和准确性备受关注，能够在单一前向传递中直接预测图像中的目标位置和类别。赵红成等[5]在YOLOv3 的基础上通过使用GIoU 损失函数提高定位准确率，采用金字塔多池化结构提高多尺度检测能力，并引入注意力机制专注于安全帽特征学习，但当目标过小或被遮挡时仍有漏检情况，且增加了检测时间。Fu Chuan 等[6]在YOLOv3 的基础上，将深度残差网络和多尺度卷积特征相结合，并通过调整损失函数的权重来优化目标框的选择，提升了对中远距离安全帽的识别精度，但没有考虑遮挡情况。李熙尉等[7]将YOLOv5 的CIoU 损失函数替换为Alpha−CIoU 损失函数，并引入卷积块注意力模块（Convolutional Block Attention Module， CBAM） 提取图像关键特征，但未考虑安全帽目标较小与遮挡等情况。李凤英等[8]基于YOLOv7，采用数据增强的方式来克服复杂环境的影响，且设计了针对性的锚框尺寸进行检测，并引入DeepSort 算法实现了安全帽追踪识别，但未考虑遮挡与目标较小时对检测精度的影响。以上方法在一定程度上提高了检测精度，但并未完全考虑遮挡、目标较小、背景干扰等因素，且都未解决模型轻量化问题。为保证在井下复杂场景检测的实时性，本文在YOLOv8n 的基础上进行改进，提出了一种基于改进YOLOv8n 的井下人员安全帽佩戴检测方法。添加P2 小目标检测层，防止小目标信息丢失；引入CBAM，增强特征提取能力；将CIoU 损失函数替换为WIoU 损失函数，提升模型的泛化能力及定位性能；使用轻量化共享卷积检测头（Lightweight Shared Convolutional Detection Head，LSCD），降低模型参数量及计算量。

1 改进YOLOv8n 模型

改进YOLOv8n 模型结构如图1 所示（红框中为改进部分）。在颈部网络中添加P2 小目标检测层，提高对小目标的检测能力； 在主干网络中添加CBAM，降低对无效信息的关注；检测头使用LSCD，降低模型复杂度。

1.1 小目标检测层

YOLOv8n 通过N3， N4 和N5 检测头分别提取P3，P4 和P5 检测层的特征图，对应特征图大小分别为80 80、40 40 和20 20[9]。井下安全帽属于小目标，小目标通常在图像中占据较少的像素，特征少或不明显，容易被忽略或误判，仅靠原YOLOv8n 的检测层无法实现对小目标的精准检测。因此通过添加4 倍下采样的P2 小目标检测层及对应的检测头N2 来提升对小目标的检测能力，如图2 所示。P2 对应的检测特征图大小为160×160，用于检测4×4 以上大小的目标，可使网络更加关注小目标，提高检测精度。