点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12443295/pdf/pone.0332042.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

建筑行业事故频发，传统安全巡检效率低、漏检多。本文基于 YOLOv5n 打造轻量化智能隐患识别系统，兼顾精度与速度，成功部署于 Jetson Nano 边缘平台，为工地安全管控提供全新方案。

PART/1

    痛点   

建筑工地环境复杂、人员密集、工序交叉，传统安全管理存在人员数据缺失、设备布局监管模糊、安全隐患漏检三大核心问题。未规范佩戴安全帽、违规吸烟、脚手架变形、安全网破损、线缆损坏等隐蔽隐患，依靠人工巡检难以实时发现，成为施工安全的重大隐患。常规深度学习模型体积大、算力要求高，无法在工地现场边缘设备部署，实时检测需求长期无法满足。

PART/2

     创新   

核心突破：YOLOv5n 五大轻量化优化

本研究以YOLOv5n为基础，针对工地小目标多、场景密集、边缘部署的需求，完成 5 项关键改进，实现精度提升 + 模型轻量化双目标：

1. ECA 注意力机制：轻量通道注意力，以极小参量提升关键特征提取能力，精准聚焦隐患区域
2. Ghost 模块：用低成本线性变换替代部分卷积，大幅削减模型参数量与计算量
3. BiFPN 特征融合：替换原 PAN 结构，双向加权融合多尺度特征，小目标检测更精准
4. SIoU 损失函数：加入向量角度信息，加速边界框回归收敛，密集场景检测更稳定
5. EIoU–NMS：优化冗余检测框过滤逻辑，避免误删、漏检，目标定位更准确

【YOLO-CGBSE 网络架构】

PART/3

     实验   

实验验证：超轻量模型，精度拉满

研究团队自建两大工地专属数据集，分别针对人员不安全行为和物体不安全状态训练模型：

• 人员不安全行为：涵盖 7 类（正确 / 未戴 / 错误佩戴安全帽、安全带、吸烟、反光背心、人体躯干），增强后共 12530 张图像

• 物体不安全状态：涵盖 5 类（脚手架变形、安全网破损、开裂、缺失、穿孔）

最终训练出两款约 2.5MB 超轻量模型，检测精度表现优异：

• 人员不安全行为检测：mAP@0.5 = 93.6%

• 物体不安全状态检测：mAP@0.5 = 99.5%

【消融实验结果】

消融实验证实，融合五大优化的YOLO-CGBSE模型，在参数量、算力消耗、检测精度上实现最优平衡，对比 YOLOv8n、YOLOv12n 等同量级模型，更适配工地边缘部署。

【检测效果对比】

在无人机视角、高分辨率、遮挡作业等复杂场景下，改进模型的漏检率、误检率远低于原始 YOLOv5n，小目标与密集目标检测稳定性大幅提升。

PART/4

     落地价值   

边缘部署与应用展望

1. 现场系统落地

以Jetson Nano B01嵌入式平台为核心，搭配高清摄像头、显示屏，搭建工地现场实时隐患检测系统，模型体积仅约 2.5MB，边缘端流畅运行。

【系统框架图】

【现场实测检测效果】

2. 系统核心优势

• 超轻量化：模型≈2.5MB，低算力边缘设备可轻松部署

• 高精度：人员 / 物体隐患检测 mAP@0.5 分别达 93.6%、99.5%

• 实时性：现场实时识别，隐患秒级预警

3. 未来优化方向

• 拓展检测隐患类型（如破损电缆、带电作业绝缘防护缺失等）

• 融合两大数据集，提升模型泛化能力

• 联动自动报警系统，实现隐患分级预警、截图存证

PART/5

     总结   

本研究将轻量化 YOLO 与工地安全深度融合，破解了边缘端部署难、现场检测精度低的行业痛点，为建筑施工安全智能化管控提供了可落地、可复制的技术方案，助力工地安全从 “人工巡检” 全面迈向 “AI 智防”。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测