融合注意力机制的轻量化YOv5s口罩佩戴检测算法研究.pdfVIP

融合注意力机制的轻量化YOLOv5s口罩佩戴检测算法研究

摘要

随着食品安全生产、工矿企业烟尘控制以及呼吸道疾病防控需求的不断增长，口

罩佩戴已成为相关从业人员的重要防护措施。采用人工检测口罩佩戴的方式不仅效率

低下，而且在人员流动频繁或需要实时监控的场景中难以实施。因此，利用目标检测

技术进行智能化检测成为一种有效的解决方案。然而，现有的目标检测算法在嵌入式

或移动设备上进行部署时，易出现计算和存储资源受限及检测速度较低的问题。本文

在YOLOv5s的基础上对算法进行轻量化改进，可以在精度损失较低的情况下大幅提高

算法的检测速度，同时降低模型的参数量和计算量。本文主要工作内容如下：

(1)针对目标检测算法在嵌入式设备上实时性较差的问题，提出一种基于PP-LCNet

和Ghost模块的轻量级YOLOv5s口罩佩戴检测算法。该算法使用PP-LCNet作为

YOLOv5s的主干网络，并通过重参数化和残差连接对其基本模块进行优化，使主干网

络在降低计算量的同时保持一定的多尺度特征提取能力。此外，通过通道混洗改进

Ghost模块，并将改进后的Ghost模块替换YOLOv5s颈部网络中的标准卷积，以降低颈

部卷积的冗余计算量。实验结果表明，所提方法在降低模型参数量和计算量的同时能

够显著提升模型的检测速度。

(2)针对轻量化算法在复杂场景下的检测精度较低和漏检问题，提出一种基于注意

力机制和BiFPN的口罩佩戴检测算法。该算法以ECA通道注意力和SAM空间注意力

为基础构建P-ECAM混合域注意力机制，从而增强主干网络对脸部特征的关注程度。

同时，引入BiFPN加权双向特征金字塔重构颈部网络融合多尺度特征信息，提高对较

小尺度口罩人脸目标的检测能力。实验结果表明，所提优化方法能够有效地减少轻量

化算法的漏检数并提高检测精度。

(3)基于树莓派4B和PyQT5搭建一个基于改进YOLOv5s算法的口罩佩戴检测系

统，并在PyTorch和ONNXRuntime框架下对比原YOLOv5s算法和改进算法的性能，

以验证改进算法在嵌入式平台上的有效性。实验结果表明，改进算法在嵌入式平台上

能够在精度损失较低的情况下显著提升检测速度。

关键词：目标检测；YOLOv5s；PP-LCNet；Ghost模块；注意力机制

融合注意力机制的轻量化YOLOv5s口罩佩戴检测算法研究

Abstract

Withthegrowingdemandforfoodsafetyproduction,smokecontrolinindustrialand

miningenterprises,aswellasrespiratorydiseasepreventionandcontrol,maskwearinghas

becomeanimportantprotectivemeasureforrelevantpractitioners.Themanualdetectionof

maskwearingisnotonlyinefficient,butalsodifficulttoimplementinscenarioswithfrequent

personnelmovementorreal-timemonitoring.Therefore,intelligentdetectionusingtarget

detectiontechnologyhasbecomeaneffectivesolution.However,existingtargetdetection

algorithmsarepronetotheproblemsoflimitedcomputingandstorageresourcesandlow

detectionspeedwhendeployedonembeddedormobiledevices.Inthisp