来源：期刊VIP网 时间：
作者：张新君1,2;王贺桐1;张永库1
单位：1.辽宁工程技术大学电子与信息工程学院;2.辽宁工程技术大学辽宁省无线射频大数据智能应用重点实验室
摘要：为解决复杂工地环境下安全帽佩戴检测模型存在准确率不足与部署困难的问题，提出了一种基于轻量化深度学习的目标检测模型LRM-YOLO。首先，设计了一种轻量级实时监控网络(Lightweight Real-time Monitoring Network, LRMN),结合部分卷积与多层感知机，引入DropPath机制，减少冗余计算和内存访问，实现高效的特征提取。其次，设计了一种轻量化高效检测头(Lightweight Efficient Detection Head, LED-Head),采用共享卷积和解卷积增强模块，提升特征分辨率，同时结合动态缩放和分布式焦点损失(Distribution Focal Loss, DFL)函数解码技术，进一步优化边界框定位精度。试验结果表明，与YOLOv11n相比，LRM-YOLO在保持检测精度的同时，模型参数量减小28.0%,减少了31.7%的计算开销，模型存储容量缩减25.5%。所提出的检测方法兼具高效性与实用性，为工业现场的智能安全监测提供了可行方案。
关键词：安全工程;安全帽检测;轻量化模型;YOLO;部分卷积;智能安全监测
基金资助：辽宁省教育厅基本科研项目(面上项目)(LJKMZ20220678),辽宁省教育厅重点项目(LJ212410147003)
