摘要

在建筑与制造等工业活动中，佩戴安全帽对于避免意外事故至关重要。为确保安全规范的执行，可通过结合计算机视觉与深度学习技术，开发自动安全帽检测系统。然而，基于深度学习的安全帽检测模型通常需要大量标注训练数据。目前，文献中公开的安全帽数据集数量稀少，且多数数据集标注不完整，已标注的数据集类别也较为有限。本文提出了一种名为“安全帽数据集”（Safety HELmet dataset，简称SHEL5K）的新数据集，该数据集是SHD数据集的增强版本，包含5000张图像。SHEL5K数据集共包含六个完全标注的类别：安全帽、头部、戴安全帽的头部、戴安全帽的人、未戴安全帽的人以及人脸。该数据集在多个当前最先进的目标检测模型上进行了测试，包括YOLOv3（YOLOv3、YOLOv3-tiny、YOLOv3-SPP）、YOLOv4（YOLOv4与YOLOv4-pacsp-x-mish）、YOLOv5-P5（YOLOv5s、YOLOv5m、YOLOv5x）、基于Inception V2架构的Faster Region-based Convolutional Neural Network（Faster-RCNN）以及YOLOR。实验结果表明，各模型在SHEL5K数据集上的表现均优于以往基准，平均精度均值（mAP）有所提升。相较于其他安全帽数据集，SHEL5K具有显著优势：其图像数量适中但标注质量更高，类别更丰富，从而显著提升了安全帽检测的准确性和可靠性。