摘要：针对电动车头盔佩戴检测存在遮挡、车辆密集以及一车多人的复杂场景下出现的漏检、误检问题,在YOLOv5s的基础上,提出了一种应用于电动车头盔佩戴检测的改进算法。设计了一种由递归门控卷积改进的GBC3模块,替换网络主干和特征融合层(feature pyramid networks,FPN)中的C3模块,加强邻间特征的空间信息交互,提高网络的特征提取和特征融合能力;其次在主干和特征融合网络添加无参注意力机制(SimAM),以调整特征图中不同区域的注意力权重,对重要目标施加更多关注;最后引入调整超参后的WIOU损失函数,优化预测框回归,提高模型的目标定位能力。在自制电动车头盔数据集上的实验结果表明,改进模型在仅增加较少参数的前提下,其平均精度均值(mAP)达到97.3%,较YOLOv5s提高了3.2%,并且检测速度为87.1 fps,改善了误检和漏检的问题,同时仍具有较高的实时性,更适用于电动车驾乘者的头盔佩戴检测。