作者

算法

方法

优势

局限性

施辉 [35]

改进YOLOv3

在训练迭代过程中改变输入图像的尺寸，增加模型对尺度的适应性

mAP达到了92.13%,检测速率提高到62 fps

检测准确率不及 Faster R-CNN

Song [36]

改进YOLOv3

提出压缩激励的RSSE模块加强特征提取，利用Reset模块替换原始的CBL模块

改进后的算法不仅满足检测任务的实时性，同时具有较高的准确率

对于光照变化大和小目标的检测效果不佳

金雨芳 [37]

改进YOLOv4

v4算法的3个特征图输出的基础上增加了128×128特征图输出，从而将特征图输出的8倍下采样改为4倍下采样，为后续特征融合提供了更多小目标特征

所提方法的平均精度高达91.17%，相比原网络检测精度提高了2.96%，检测速度基本不变，可达52.9 fps

虽然提高了检测精度，但模型的复杂度较高，检测速度变慢

关雅琦 [38]

改进YOLOv5

提出了一种适用于安全帽检测的混合型数据增强方法；提出一种混合型数据增强方法：在常用线性变换处理图像的基础上，通过混合加噪、HSV随机变换和随机矩形遮挡等多种方法对图片进行数据处理

有较高的检测精度和抗干扰效果

使用场景单一，只针对建筑施工现场的安全帽佩戴检测识别