复杂场景下的改进YOLOv8n安全帽佩戴检测算法

为解决工地场景下安全帽检测因背景复杂、目标密集等导致YOLOv8n算法识别精度低、易出现漏检及误检等问题,提出一种改进YOLOv8n的RDCA-YOLO安全帽检测算法.通过改进Backbone结构提升模型特征提取能力;嵌入CBAM注意力机制,增强对小目标信息提取的能力;设计一种Coord-BiFPN结构,增强网络特征融合能力;提出一种OD-C2f结构,实现提取不同形状和大小安全帽的关键特征;设计一种FR-DyHead检测头替换原始Detect结构,提升了检测精度并降低了延时.使用GDUT-HWD数据集进行训练测试,结果表明所提算法的mAP达到85.8%,相比YOLOv8n提升了2.6%,能有效提高复杂场景下的安全帽佩戴检测精度.