基于改進YOLOv8n 的井下人員安全帽佩戴檢測

摘要：針對現有井下人員安全帽佩戴檢測方法未考慮遮擋、目標較小、背景干擾等因素，存在檢測精度差及模型不夠輕量化等問題，提出一種改進YOLOv8n 模型，并將其應用于井下人員安全帽佩戴檢測。在頸部網絡中加入P2 小目標檢測層，提高模型對小目標的檢測能力，更好地捕捉安全帽目標細節；在主干網絡中添加卷積塊注意力模塊（CBAM）提取圖像關鍵特征，減少背景信息的干擾；將CIoU 損失函數替換為WIoU 損失函數，提升模型對檢測目標的定位能力；采用輕量化共享卷積檢測頭（LSCD），通過共享參數的方式降低模型復雜度，并將卷積中的歸一化層替換為群組歸一化（GN），在盡可能保證精度的同時實現模型輕量化。實驗結果表明：與YOLOv8n 模型相比，改進YOLOv8n 模型在交并比閾值為0.5 時的平均精度均值（mAP@50）提升了1.8%，參數量減少了23.8%，計算量下降了10.4%，模型大小減小了17.2%；改進YOLOv8n 模型檢測精度高于SSD，YOLOv3?tiny，YOLOv5n，YOLOv7 和YOLOv8n，模型復雜度僅高于YOLOv5n，較好地平衡了模型檢測精度與復雜度；在井下復雜場景下，改進YOLOv8n 模型能夠實現對井下人員安全帽佩戴的準確檢測，改善了漏檢問題。

關鍵詞：井下安全帽檢測；小目標檢測；YOLOv8n；CBAM；WIoU；輕量化

中圖分類號：TD67 文獻標志碼：A

0 引言

井下工作環境面臨坍塌、有毒氣體、高溫等潛在危險[1]。為保障工作人員的安全，個人防護裝備的使用至關重要，其中確保人員正確佩戴安全帽并及時發現未佩戴者成為重要任務。

目標檢測是井下人員安全帽佩戴檢測的核心。近年來，深度學習算法在目標檢測領域廣泛應用。常用的目標檢測方法主要分為單階段檢測模型（如SSD[2]，YOLO[3]）與雙階段檢測模型（如R?CNN[4]）。在工業領域中，雙階段檢測模型由于其復雜性導致檢測速度較慢，難以保證實時檢測。單階段檢測模型中，SSD 檢測速度較快，但精度較差，而YOLO 以其較高的實時性和準確性備受關注，能夠在單一前向傳遞中直接預測圖像中的目標位置和類別。趙紅成等[5]在YOLOv3 的基礎上通過使用GIoU 損失函數提高定位準確率，采用金字塔多池化結構提高多尺度檢測能力，并引入注意力機制專注于安全帽特征學習，但當目標過小或被遮擋時仍有漏檢情況，且增加了檢測時間。Fu Chuan 等[6]在YOLOv3 的基礎上，將深度殘差網絡和多尺度卷積特征相結合，并通過調整損失函數的權重來優化目標框的選擇，提升了對中遠距離安全帽的識別精度，但沒有考慮遮擋情況。李熙尉等[7]將YOLOv5 的CIoU 損失函數替換為Alpha?CIoU 損失函數，并引入卷積塊注意力模塊（Convolutional Block Attention Module， CBAM） 提取圖像關鍵特征，但未考慮安全帽目標較小與遮擋等情況。李鳳英等[8]基于YOLOv7，采用數據增強的方式來克服復雜環境的影響，且設計了針對性的錨框尺寸進行檢測，并引入DeepSort 算法實現了安全帽追蹤識別，但未考慮遮擋與目標較小時對檢測精度的影響。以上方法在一定程度上提高了檢測精度，但并未完全考慮遮擋、目標較小、背景干擾等因素，且都未解決模型輕量化問題。為保證在井下復雜場景檢測的實時性，本文在YOLOv8n 的基礎上進行改進，提出了一種基于改進YOLOv8n 的井下人員安全帽佩戴檢測方法。添加P2 小目標檢測層，防止小目標信息丟失；引入CBAM，增強特征提取能力；將CIoU 損失函數替換為WIoU 損失函數，提升模型的泛化能力及定位性能；使用輕量化共享卷積檢測頭（Lightweight Shared Convolutional Detection Head，LSCD），降低模型參數量及計算量。

1 改進YOLOv8n 模型

改進YOLOv8n 模型結構如圖1 所示（紅框中為改進部分）。在頸部網絡中添加P2 小目標檢測層，提高對小目標的檢測能力； 在主干網絡中添加CBAM，降低對無效信息的關注；檢測頭使用LSCD，降低模型復雜度。

1.1 小目標檢測層

YOLOv8n 通過N3， N4 和N5 檢測頭分別提取P3，P4 和P5 檢測層的特征圖，對應特征圖大小分別為80 80、40 40 和20 20[9]。井下安全帽屬于小目標，小目標通常在圖像中占據較少的像素，特征少或不明顯，容易被忽略或誤判，僅靠原YOLOv8n 的檢測層無法實現對小目標的精準檢測。因此通過添加4 倍下采樣的P2 小目標檢測層及對應的檢測頭N2 來提升對小目標的檢測能力，如圖2 所示。P2 對應的檢測特征圖大小為160×160，用于檢測4×4 以上大小的目標，可使網絡更加關注小目標，提高檢測精度。