基于改进版YOLOv11n的安全帽检测算法，适用于复杂的煤矿环境

《Digital Signal Processing》：A Safety Helmet Detection Algorithm Based on Improved YOLOv11n for Complex Coal Mine Scenarios

针对地下复杂环境中安全帽检测精度不足的问题，本文改进YOLOv11n模型，引入RFAConv模块增强特征表征能力，BiFPN结构实现多尺度特征融合，并增设小目标检测层，显著提升小目标识别准确率（mAP@0.5:0.95达69.1%），同时保持计算效率平衡。

　　

王子腾|穆登聪|李铮|董飞

中国安徽省智能计算与应用重点实验室，淮北师范学院，淮北市，235000

摘要

安全头盔检测在各种工作场景中的生产安全和环境管理中具有重要的应用价值。然而，由于目标尺寸小、环境背景干扰强以及模型复杂性高等因素，准确检测小型安全头盔仍然具有挑战性。为了解决这些问题，通过对YOLOv11n进行架构改进，引入了一种改进的检测方法。构建了一个结合了跨层多感受野融合的RFAConv模块。该模块将空间注意力机制与卷积操作相结合，有效增强了特征表示的区分能力。为了使模型在繁忙场景中表现得更好，在颈部网络中添加了一个双向特征金字塔网络（BiFPN）。其双向路径和可学习的特征权重实现了跨尺度的自适应加权融合，从而更有效地整合了特征图。此外，检测头增加了一个专门针对小型目标设计的额外层。这一专用组件直接提升了模型识别微型头盔的能力，这在拥挤的地下环境中至关重要。这种改进显著提高了地下环境中小型头盔的识别能力，同时将模型参数的增加降至最低。为了验证所提出算法的有效性，在CUMT-HelmeT数据集上进行了实验评估。结果显示，改进后的模型实现了90.5%的精确度、84.5%的召回率、90.5%的mAP和57.0%的mAP@0.5:0.95，分别比基线YOLOv11n提高了1.9%、4.1%、3.1%和3.3%。在DsLFM+数据集上，所提模型的精确度为93.8%、召回率为92.8%、mAP为97.3%、mAP@0.5:0.95，比原始模型提高了0.4%、0.9%、1.0%和1.9%。所提模型在保持检测准确性的同时，实现了算法性能与计算复杂度之间的良好平衡，从而满足了实际地下安全监控场景的应用要求。

引言

作为现代工人在各种工作环境中重要的头部保护装置[1]，安全头盔可以有效减轻物体掉落或碰撞造成的伤害风险。然而，在建筑工地和矿区等高风险和复杂的工作场景中，由于工人意外掉落安全头盔或因疏忽或操作不当而佩戴不当的情况难以完全避免[2]。特别是在地下煤矿等极端工作环境中，低光照、高灰尘、复杂的遮挡以及目标尺寸的巨大变化等独特挑战进一步加剧了人工监督和自动检测的难度。不佩戴或错误佩戴安全装备的问题已成为导致头部相关安全事故的重要因素。因此，在复杂环境、密集目标或存在遮挡的情况下，实时准确地检测工人的安全头盔佩戴状态至关重要。

随着计算机视觉领域的发展，基于深度学习的对象检测方法已广泛应用于安全头盔检测。传统方法依赖于多阶段过程和手动特征设计，效率较低；而现代方法主要分为单阶段检测器，如单次射击多盒检测器（SSD）系列[3]、YOLO系列[4]和无锚点系列[5]，以及双阶段检测器，如基于区域的CNN（R-CNN）系列[6,7]。在实时要求极高的应用中，如工业安全监控，单阶段算法（如YOLO系列）因其高效的推理速度和强大的实时处理能力而被广泛采用。在复杂的地下煤矿等环境中，现有的安全头盔检测模型仍面临感受野有限、多尺度特征融合效率不足以及易受空间信息损失影响等挑战，这些因素阻碍了检测准确性和鲁棒性的进一步提升。先前的研究提出了多种安全头盔检测的改进方案。例如，赵睿等人[8]用DenseBlock替换了YOLOv5s的初始Focus模块，并集成了SE-Net注意力机制，增强了在拥挤和复杂环境中对小型目标的特征提取能力。然而，这种方法略微降低了检测速度，且在黑暗场景中检测安全头盔的性能仍不令人满意。韩等人[9]在SSD架构中引入了双重注意力机制，显著提高了平均检测精度，但在多场景泛化方面仍存在局限性。邓振荣等人[10]将Transformer模块嵌入YOLOv5中以捕获多尺度全局信息，采用了Group Shuffle Convolution（GsConv）和坐标注意力机制来扩展感受野，并结合了解耦的检测头和无锚点策略来增强小型对象训练。这种方法建立了具有更强鲁棒性和泛化能力的检测框架。肖振久等人[11]对YOLOv8n进行了全面优化，调整了特征融合网络和特征金字塔结构，并引入了AKConv模块来替代标准卷积以提取多尺度特征。这种改进提高了模型对小型和密集目标的检测能力和特征提取效果。然而，YOLOv5和YOLOv8相对较旧，难以充分利用当前硬件性能和最新的检测策略的优势。韩等人[12]还提出了一种基于注意力加权的单阶段融合网络来进一步提高小型对象检测性能，尽管在训练样本不足的情况下仍面临挑战。尽管如此，在矿区复杂的背景下，现有的对象检测算法仍常出现将背景元素误识别为目标或遗漏实际目标的问题。

为应对这些技术难题，本研究以YOLOv11n模型作为基础架构进行系统改进，并提出了一个针对复杂矿区场景的增强型对象检测网络。在颈部网络中，用BiFPN结构替换了原有的PANet结构，以保留图像的原始特征并提高煤矿环境中安全头盔的检测精度。此外，颈部网络中的标准卷积被替换为感受野注意力卷积（RFAConv），以进一步增强特征表示能力。另外，在模型的头部添加了一个小型对象检测层，以提高对小型对象和边缘信息的检测性能。总体而言，通过RFAConv、BiFPN和小型对象检测层的三重改进，构建了一个适用于复杂矿区环境的高效检测模型。这些改进通过协同作用，共同提升了模型的特征提取能力、多尺度融合效果和小型目标检测精度，从而为地下矿山的安全生产提供了可靠的技术保障。

网络概述

网络概述

YOLOv11n模型是一种单阶段对象检测算法[13]，在解决对象检测问题方面取得了显著的性能提升。YOLOv11模型基于YOLOv8基础架构进行了优化。在其主干网络中，创新的C3k2模块替换了原有的C2f模块，显著提高了参数效率，同时确保了特征提取能力。在主干网络的末端，引入了C2PSA空间注意力模块，

实验环境和参数设置

本实验在Windows 11操作系统上进行。网络使用PyTorch深度学习框架构建，训练和测试在PyCharm开发环境中完成。具体的实验平台参数如表1所示。为了确保模型训练的有效性并优化其性能，本研究按照表2中的详细信息标准化了实验参数配置。

实验数据集

实验使用了两种类型的安全头盔数据集

结论

针对在复杂地下环境中检测人员安全头盔时存在的检测精度低和漏检率高的技术挑战，本研究提出了一种基于YOLOv11n的改进型地下人员安全头盔检测算法。该算法在YOLOv11n网络架构的基础上，添加了一个专门针对小型目标的检测层，有效提高了模型对小型安全头盔的检测精度

声明

• (1)
  资金支持：本研究获得了安徽省智能计算与应用重点实验室的资助，资助协议编号为AFZNJS2024KF03。
• (2)
  本研究不属于临床试验。
• (3)
  参与同意：已从所有参与研究的个体中获得了知情同意。
• (4)
  同意发表：参与者同意将案例报告提交给期刊。
• (5)
  伦理声明：本研究不涉及人类研究

作者致谢

王子腾：负责算法编程、实现和初稿撰写。穆登聪：负责整体算法设计的概念化和论文框架的构建。李铮：提供文章数据集并参与手稿的完善。董飞：审阅、修改和校对了手稿。