基于改进YOLOv5的复杂场景电动车头盔检测方法

作     者：韩东辰 张方晖 王诗洋 段克盼 李宁星 王凯 HAN Dongchen;ZHANG Fanghui;WANG Shiyang;DUAN Kepan;LI Ningxing;WANG Kai

作者机构：陕西科技大学电子信息与人工智能学院陕西西安710021 

出 版 物：《现代电子技术》 (Modern Electronics Technique)

年 卷 期：2025年第48卷第1期

页      面：123-129页

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 080203[工学-机械设计及理论] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0802[工学-机械工程] 

基　　金：陕西省重点研发计划三项改革综合试点(2023GXLH-076) 咸阳市重大科技创新专项(L2023-ZDKJ-QCY-SXGG-GY-009) 

主　　题：头盔检测 改进YOLOv5 复杂场景 目标遮挡 特征提取 上采样 坐标卷积 损失函数 

摘      要：佩戴电动车头盔是安全骑行的重要保障,对电动车驾乘人员佩戴头盔进行有效检测在保障驾乘人员安全方面具有重要意义。电动车头盔检测中存在目标之间相互遮挡、复杂背景干扰、头盔目标小等问题,现有方法尚不能满足复杂场景下电动车头盔检测的要求,因此,提出一种改进YOLOv5的复杂场景电动车头盔识别方法。首先,提出一种新的主干网络结构ML-CSPDarknet53,增强网络的特征提取能力,引入轻量级上采样算子CARAFE,利用特征图语义信息扩大感受野;其次,搭建坐标卷积CoordConv模块,增强网络对空间信息的感知能力,并将WIoU v3作为边界框损失函数,降低低质量样本对模型性能的不利影响;最后,构建了内容丰富的头盔检测数据集对改进算法进行验证。实验结果表明,改进后算法相较于原算法在精确度、召回率、mAP@0.5、mAP@0.5:0.95上分别提升了2.9%、3.0%、3.4%和2.2%,并且性能优于其他主流检测算法,满足复杂道路交通场景下电动车驾乘人员头盔检测的任务要求。