AE-LFOG-YOLO：通过自适应锚和光照不变学习实现稳健的安全帽检测

为何智能安全帽检查很重要

在大型施工项目和地下隧道中，一顶简单的安全帽可能意味着一次侥幸躲过与一次改变人生的伤害之间的差别。然而在真实工地的混乱中，人们会忘记或不愿佩戴安全帽，人工监管也无法随时监视每一个角落。本研究探讨如何构建一个自动相机系统，在隧道昏暗、有灯光眩光或工人密集且距离相机各不相同的情况下，仍能可靠地识别谁戴了安全帽、谁没有。

在恶劣隧道光照下的可视化挑战

隧道施工现场具有极端的视觉环境。强烈的聚光灯产生眩光，而深处的阴影则掩盖细节。人员在相机前进退，安全帽在图像中呈现出多种尺寸。常见的人工智能检测器在这些条件下常常失灵：它们在暗区漏检安全帽，把其他圆形物体误判为安全帽，或对非常小或远处的工人表现不佳。许多现有系统试图通过在检测前增强或净化图像，或对流行的 YOLO 目标检测模型做少量调整来弥补，但这些通常是附加的修补措施，而非统一的学习过程，导致性能受限，并在光照或场景布局变化时缺乏鲁棒性。

教相机忽略糟糕光照的新方法

作者提出了一种基于广泛使用的 YOLOv8 检测器的改进系统，称为 AE‑LFOG‑YOLO。第一个关键想法是引入光照不变模块（Illumination‑Invariant Module），这是插入网络内部的小单元，学习将“光照效应”与“物体真实外观”分离。它把输入的特征图拆分为主要反映光照模式的部分和捕捉更稳定形状与纹理的部分，例如安全帽的弧形边缘。通过特殊的门控操作和侧重于边缘与角点的分支，该模块弱化亮度波动并强调稳定的几何特征。由于这一处理发生在检测器内部而非独立的预处理步骤，整个系统可以端到端训练，使模型聚焦于安全帽本身，而不会被眩光或阴影误导。

让模型自己进化出观察习惯

第二个主要想法针对检测器如何猜测物体可能出现的位置。许多检测器从一组固定的“锚框”起始，这些锚框建议了可能的物体尺寸和形状；它们通常在训练数据上选定后就不再更新。然而在隧道中，安全帽的视感大小会随相机距离和视角剧烈变化。AE‑LFOG‑YOLO 用一种称为自适应进化——光场优化生成（Adaptive Evolutionary – Light Field Optimized Generation）的动态过程替代静态锚框。在每轮训练结束时，系统对锚框做轻微扰动，评估它们与各种尺寸真实安全帽的匹配度，并检查它们的尺寸是否符合基本相机光学规律——在典型工作距离上真实安全帽在传感器上的应有大小。得分更高的锚集合会被保留到下一轮。随着时间推移，检测器“进化”出既符合数据又尊重相机成像规律的锚框。

将训练适配到真实世界的图像质量

除了改变模型的关注对象，作者还改变了模型的学习方式。他们引入了一种训练策略：在图像质量较差时更强调精确定位安全帽，在条件良好时更强调正确判断是否戴帽。一个基于物理的评分（同样源于相机成像原理）告诉系统在每个阶段图像的可信度。如果光照或对焦不佳，训练过程会自动提高对边界框精度的重视；如果条件改善，则将权重转向分类。这形成了一个反馈循环，使模型不断调整自身优先级以匹配它在真实隧道中将面临的物理环境。

实践测试结果

研究者在真实隧道安全帽数据集上测试了他们的方法，并与若干先进的基于 YOLO 的方法进行了比较。AE‑LFOG‑YOLO 在检测安全帽方面表现出非常高的准确率，在常用的重叠阈值下正确识别约 95% 的安全帽，并在精确度与召回率上均优于原始 YOLOv8 基线。它运行速度足以满足实时使用需求，且在模拟极端黑暗或过曝的强烈光照干扰时表现尤其突出。在这些苛刻条件下，新模型保持了更高的置信度，检测出更多小型和远处的工人，并在可操作的亮度范围上比基线宽出超过三分之一，意味着在更多的真实场景中保持可靠。

这如何帮助提升工人安全

对非专业读者而言，结论很直接：通过教会 AI 系统不仅理解像素，还理解相机在困难环境中如何成像的物理规律，这项工作提供了一个更智能、更可靠的隧道墙面“守护者”。AE‑LFOG‑YOLO 更能忽略误导性的光照并适应变化的视角，减少漏检和误报。在运行数月的轨道交通施工现场部署中，它已展示出能辅助安全团队确保工人佩戴安全帽的能力，为更安全、更严密监控的工地迈出了一步。

引用: Liu, S., Wang, J. AE-LFOG-YOLO: robust safety helmet detection via adaptive anchors and illumination invariant learning. Sci Rep 16, 6402 (2026). https://doi.org/10.1038/s41598-026-37326-z

关键词: 安全帽检测, 隧道施工, 计算机视觉, 低照度成像, YOLOv8