Safety Helmet Detection Based on YOLOv5

标题（Title）

Safety Helmet Detection Based on YOLOv5
用YOLOv5检测安全帽，是一个具体场景的应用
2021 IEEE International Conference on Power Electronics, Computer Applications (ICPECA)

摘要（Abstract）

安全帽是工人最基本的保护装备，对工人生命安全有重大意义。然而，由于缺乏安全意识，安全帽往往未被佩戴。本文提出了一种基于YOLOv5的安全帽检测方法，并对6045张收集的数据集进行了标注。使用不同参数的YOLOv5模型进行训练和测试，实验结果显示YOLOv5s的平均检测速度达到110帧每秒，完全满足实时检测要求。使用可训练目标检测器的预训练权重，YOLOv5x的mAP达到94.7%，证明了基于YOLOv5的安全帽检测方法的有效性。

背景（Background）

安全帽作为工人最基本的个人防护装备，对保护工人生命具有重要意义。然而，由于缺乏安全意识，一些工人在工作时往往不佩戴安全帽，因此安全帽检测成为生产安全监控的重要手段，尤其在建筑工地、煤矿等场所应用广泛。
本文将利用YOLO实现对安全帽的自动检测。

主要内容（Main Content）

YOLOv5网络结构

YOLOv5网络分为三个部分：骨干网络（Backbone）、颈部（Neck）和输出层（Output）。具体结构如下：

1. 骨干网络（Backbone）：输入图片的分辨率为640×640×3，首先经过Focus结构，利用切片操作生成320×320×12的特征图，然后通过32个卷积核的卷积操作，最终得到320×320×32的特征图。CBL模块是一个基本的卷积模块，包括Conv2D、BatchNormalization和LeakyRELU。
2. BottleneckCSP模块：主要进行特征提取，提取图像中的丰富信息。与其他大型卷积神经网络相比，BottleneckCSP结构可以减少优化过程中梯度信息的重复，通过调整模块的宽度和深度，可以得到不同参数的四种模型（YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x）。
3. SPP模块：增加网络的感受野，获取不同尺度的特征。
4. 底部特征金字塔（Bottom-up feature pyramid）：基于FPN结构，结合自上而下和自下而上的特征聚合，改善了网络检测不同尺度目标的能力。

分类器修改

针对安全帽检测场景，YOLOv5的分类器进行了修改：

• COCO数据集包含80个类别，输出张量的维度为3 × (5 + 80) = 255，其中3代表每个网格预测的三个模板框，5代表每个预测框的坐标和置信度。
• 在安全帽检测中，有两种类型的对象：佩戴安全帽和未佩戴安全帽。因此，将输出维度修改为3 × (5 + 2) = 21，以适应安全帽检测场景，从而减少网络参数，降低计算开销，提高检测速度和准确性。
  

实验细节

实验在ubuntu18.04操作系统上进行，使用Pytorch框架，并在单个NVIDIA GTX1660 GPU上进行训练和测试。实验步骤包括：

• 数据增强：对训练集图片进行随机裁剪至640×640大小，并采用随机翻转、几何失真、光照失真、图像遮挡、随机擦除、cutout、mixup等数据增强方法。
• 测试阶段：图片缩放至640×640，以便于评估网络性能。
• 优化器：使用SGD优化器优化网络，主要的实验超参数包括：
  • 学习率：0.01
  • 学习率衰减：0.999
  • 学习率衰减步长：1
  • 权重衰减：5e-4
  • 动量：0.937
  • 批次大小：16
  • 迭代次数：100

实验结果

实验使用YOLOv5的四种模型（s, m, l, x）进行训练和测试，主要结果如下

评价和感想（Evaluation and Reflections）

无，简单的看看在做项目的应用。

未来研究方向（Future Research Directions）

无

参考文献（References）

https://ieeexplore.ieee.org/abstract/document/9362711/
Zhou, F., Zhao, H., & Nie, Z. (2021, January). Safety helmet detection based on YOLOv5. In 2021 IEEE International conference on power electronics, computer applications (ICPECA) (pp. 6-11). IEEE.