电动自行车是现代居民出行的重要工具,对驾驶人员安全头盔佩戴的检测主要依靠公安交警通过目视来完成,这极大浪费了宝贵的警力资源。并且在人流量大的道路场所依靠人力完成检测效率低下,并且不能及时对未按规定佩戴安全头盔人员进行教育批评。因此为节约警力资源,提高监督效率,针对电动自行车安全头盔佩戴检测识别方法受检测环境恶劣、目标差异较小、检测识别速度低等问题,提出了一种基于改进YOLOv5的电动自行车安全头盔佩戴实时检测的方法,主要研究内容如下:（1）数据集的建立。数据集图片通过网络爬虫、现场视频拍摄后期抽帧截图的方式获取,并对其进行人工清洗,去除爬虫重复图片以及保存需要的图片。在此之后通过LabelImg软件对电动车自行车驾驶人员是否正确佩戴头盔进行标注,并采用基于深度学习的辅助标注方式完成所有图片的标注工作。最后,通过数据增强的方法对数据集进行扩充,同时标注矩形框随着增强变换改变。（2）针对电动自行车驾驶人员目标尺寸大小不一、小目标安全头盔佩戴特征差异小、环境背景复杂的问题,基于YOLOv5改进K-Means聚类获得更贴合真实框的锚框初始值,并改进预测边界框损失函数为CIoULoss,以加快预测框的收敛速度;在特征提取层中融合坐标注意力机制（Coordinate Attention）提高对关键特征信息的提取;将特征融合模块中原有的特征金字塔模块替换成加权双向金字塔（BiFPN）网络结构,使目标特征更有效的表达。（3）为满足在交通道路场景下实时检测的需求,对网络结构进行轻量化改进,将Leaky-ReLU激活函数修改为Hardswish激活函数,减少模型参数量的同时提高检测速度。实验结果表明,改进的算法对电动自行车安全头盔佩戴识别检测的平均精度值达到92.5%,相比改进之前提高了 4.0%,检测速度达到62帧每秒。