摘要 - 安全设备是确保在施工地点安全的关键组成部分,头盔对于减少伤害和死亡尤为重要。传统方法,例如负责人和项目经理的手动检查,效率低下且劳动力密集,通常无法防止与缺乏安全装备有关的事件。为了解决这个问题,利用实时检测技术,特别是Yolo,已经开发了一种新的方法来利用计算机视觉和深度学习。本研究利用公开可用的SHEL5K数据集用于头盔检测任务。所提出的CIB-SE-YOLOV8模型通过结合了注意机制并用C2FCIB块替换某些C2F块来建立在Yolov8n上。与Yolov8n相比,我们的模型获得了88.4%的MAP50,占3.2%的提高。它还表明精度增加了0.5%,召回率增加了3.9%,从而显着提高了头盔检测性能。此外,与Yolov8n的300万参数和8.1 GFLOPS相比,具有268万参数和7.6 GFLOPS的拟议模型在实时检测任务方面具有更高的效率,从而使其成为改善施工现场安全的更有效解决方案。
主要关键词