计算机应用

作者：陈亮, 王璇, 雷坤

单位：1.西安工程大学 计算机科学学院，西安 710600；2.陕西省服装设计智能化重点实验室（西安工程大学），西安 710600

关键词：复杂场景,目标检测,小目标,多尺度特征融合,YOLOv8

基金：陕西省教育厅重点科学研究计划项目(22JS021)

为了解决施工场景下安全帽佩戴检测时，由于人员密集、遮挡和复杂背景等原因造成的小目标漏检和错检的问题，提出一种基于YOLOv8n的双重注意力机制的跨层多尺度安全帽佩戴检测算法。首先，设计微小目标检测头，以提高模型对小目标的检测能力；其次，在特征提取网络中嵌入双重注意力机制，从而更加关注复杂场景下目标信息的特征捕获；然后，将特征融合网络替换成重参数化泛化特征金字塔网络（RepGFPN）改进后的跨层多尺度特征融合结构S-GFPN （Selective layer Generalized Feature Pyramid Network），以实现小目标特征层信息和其他特征层的多尺度融合，并建立长期的依赖关系，从而抑制背景信息的干扰；最后，采用MPDIOU（Intersection Over Union with Minimum Point Distance）损失函数来解决尺度变化不敏感的问题。在公开数据集GDUT-HWD上的实验结果表明，改进后的模型比YOLOv8n的mAP@0.5提升了3.4个百分点，对蓝色、黄色、白色和红色安全帽的检测精度分别提升了2.0、1.1、4.6和9.1个百分点，在密集、遮挡、小目标、反光和黑暗这5类复杂场景下的可视化检测效果也优于YOLOv8n，为实际施工场景中安全帽佩戴检测提供了一种有效方法。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期