基于视觉图像方法是目前矿井人员佩戴安全帽智能检测的热点，但现有方法所用的地下矿山数据较少，安全帽特征分类不够精确。通过采集地下矿山采场、井巷等实际生产场景的图像，构建了矿山安全帽佩戴数据集——MHWD，并将安全帽佩戴情况进一步细分为正确佩戴、不规范佩戴和未佩戴3类。采用YOLOX算法进行人员佩戴安全帽检测，为了增强YOLOX提取全局特征的能力，引入注意力机制，即在YOLOX骨干网的空间金字塔池化瓶颈层嵌入有效通道注意力模块，在路径聚合特征金字塔网络每个上采样和下采样后添加卷积块注意力模块，由此构建了YOLOX-A模型。采用MHWD训练YOLOX-A模型并进行验证，结果表明，针对照度低、模糊、有人员遮挡的矿井图像，YOLOX-A模型能够准确识别人员佩戴安全帽情况，对不规范佩戴、正确佩戴和未佩戴安全帽3种分类结果的F1分数分别为0.86，0.92，0.89，平均精度分别为93.16%，95.76%，91.69%，平均精度均值为93.54%，整体F1分数较YOLOX模型提升4%，检测精度高于主流目标检测模型EfficientDet，YOLOv3，YOLOv4，YOLOv5，YOLOX。

0 引言
1 数据集构建
1.1 作业人员佩戴安全帽图像分类
1.2 MHWD制作
2 YOLOX-A模型构建
2.1 模型结构
2.2 改进SPPB
2.3 改进PAFPN
3 实验验证
3.1 实验环境及模型参数
3.2 模型评价结果
3.3 消融实验结果
3.4 作业人员佩戴安全帽识别结果
4 结论

杜青,杨仕教,郭钦鹏等.地下矿山作业人员佩戴安全帽智能检测方法[J/OL].工矿自动化:1-8[2023-08-04].DOI:10.13272/j.issn.1671-251x.2022090033.