摘要：为提高电动自行车骑乘人员安全头盔佩戴水平,提出一种基于深度学习的安全头盔佩戴行为检测方法。基于EfficientNet目标检测框架,重新设计了主干网中特征图的特征选取层,并提出像素级缩放(pixel-level scaling,PLS)模块,构建了一种新的用于电动自行车骑乘人员安全头盔佩戴行为检测的PLS-Det模型。该模型解决了深度卷积神经网络执行检测任务时视频检测图像中的小目标(远处的电动自行车)、被遮挡的车辆和骑乘人员等容易导致目标丢失的问题,并能适应复杂的电动自行车交通流场景。根据江苏省南通市区典型城市道路,选取不同视角、时间段、天气状况下的电动自行车交通流视频图像数据(包含正样本5408个和负样本7156个)训练优化检测模型。通过消融实验和人工检测结果,对比分析了EfficientDet-d0、EfficientDet-Optimize和PLS-Det模型的检测性能。实验结果表明:提出的PLS-Det检测模型通过重新选择特征图层和引入PLS模块,在保证计算效率稳定的同时,能显著丰富小目标及被遮挡目标的特征,检测精确度达95.8%,可以满足电动自行车骑乘人员安全头盔佩戴行为的检测精度要求。