文章摘要:针对现有安全帽佩戴检测干扰性强、检测准确度低等问题,本文提出一种基于改进YOLOv5的安全帽检测新方法。首先，针对安全帽尺寸不一的问题，使用K-means++算法重新设计先验框尺寸并将其匹配到相应的特征层；其次，在特征提取网络中引入多光谱通道注意力模块，使网络能够自主学习每个通道的权重，增强特征间的信息传播，从而加强网络对前景和背景的辨别能力，并在训练迭代过程中随机输入不同尺寸的图像，以此增强模型的泛化能力。实验结果表明:在自制安全帽佩戴检测数据集中验证，平均准确率达到96.0%,对安全帽检测平均精度达到96.7%,对工人头部检测平均精度达到95.2%，相较于YOLOv5算法，该算法对佩戴安全帽检测的平均准确率提升3.3%，满足施工场景下安全帽佩戴检测的准确率要求。

文章关键词:安全帽佩戴检测,目标检测,深度学习,YOLOv5,注意力机制,

项目基金:国防科工局国防基础科研计划项目（WDZC20205500119）,湖南省自然科学基金项目(2021JJ30456）,工业控制技术国家重点实验室开放课题（ICT2021B10）,湖南省研究生培养创新实践基地项目（湘教通[2019]248号）,湖南省交通运输厅科技进步与创新计划项目（201927）；