规范穿戴安全帽、呼吸机是粮库安全管理的重点,可有效预防落物伤人、熏蒸中毒等安全事故。在实际作业环境中,由于库区内监管力度不够、一线工作人员安全防范意识薄弱,时有发生劳保用品未穿戴或穿戴不规范的情况,极大地增加了粮库工作的危险系数。因此粮库作业规范穿戴检测具有重大意义。本文基于深度学习算法对粮库作业穿戴规范进行检测,首先构建粮库穿戴数据集,通过基础网络的对比实验,分别构建基于YOLOv5和FCOS的粮库穿戴规范检测模型,针对特征提取、损失函数回归、后处理和网络结构等方面进行了不同的优化尝试,最终得到满足检测准确率和实时性需求的检测模型。具体工作如下:1.构建粮库穿戴数据集。为解决粮库穿戴数据集缺失的问题,研究了粮库作业环境下典型穿戴用品,通过网络下载、模拟粮库作业场景拍摄和录制视频截帧三种方式采集图像。通过Label Img软件标记图像中佩戴安全帽、佩戴呼吸机、未穿戴劳保用品的三类作业人员,制作成原始数据集。为提高模型的泛化能力,通过旋转、加噪、加雾三种手段增强数据集,模仿并扩充粮库作业的真实场景。按照7:2:1划分数据集,完成18000张PASCAL VOC格式的粮库穿戴数据集的构建。2.研究穿戴规范检测基础模型。为保证基于深度学习的规范穿戴检测可行性,研究和对比经典目标检测算法。基于已构建的粮库穿戴数据集,通过实验对比几种经典目标检测算法效果,选择计算速度和检测精度较好,且具有研究价值的YOLOv5和FCOS模型作为规范穿戴检测的基础模型。经过初步实验,验证了YOLOv5和FCOS基础模型能够基本满足对粮库规范穿戴的检测。3.提出基于YOLOv5-CD的粮库穿戴规范检测模型。为解决实际场景中小目标检测效果较差的问题,在YOLOv5的C3模块中添加空间通道注意力,提高网络对局部特征与全局特征的关注度和对小目标位置信息的提取能力,避免深层网络中小目标的信息丢失。同时在后处理阶段优化DIOU-NMS作为目标框的筛选方案,降低对相邻目标的漏检率。使用粮库穿戴数据集进行网络训练,结果表明改进后的模型m AP由92.6%提高至93.9%,对粮库穿戴规范检测效果更好。4.提出改进的FCOS粮库穿戴规范检测模型。为提高对粮库作业人员遮挡情况的检测效果和检测速度,在FCOS网络基础上按照不同尺度输出特征图,避免漏检重叠目标。同时通过合并P6、P7层简化了FPN结构,减少大尺度特征图的冗余计算,改进后的网络FPS提高12。使用GIOU损失函数优化预测框的位置回归,解决了图像对预测框重叠区域不敏感的问题。实验结果表明,优化后的FCOS网络速度和准确率均有所提高,m AP由91.6%提高至91.8%,FPS由49提高至59,优化后的网络更适合对粮库规范穿戴进行实时检测。