1.一种基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，包括如下步骤：S1、获取施工现场安全帽图片检测训练集；

S2、构建安全帽检测轻量化卷积神经网络；

所述步骤S2包括如下步骤：

S21、利用Mobilenetv1轻量化网络代替YOLOv4目标检测网络中的CSPDarknet53主干特征提取网络；

S22、分别将第一空间金字塔模块SPP1、第二空间金字塔模块SPP2和第三空间金字塔模块SPP3由深层到浅层对应嵌入所述Mobilenetv1轻量化网络输出的三种尺度特征图输出端；

S23、利用深度可分离卷积模块Depthblock_body代替特征金字塔网络PANet中的所有5层卷积模块Conv x5中的3×3的标准卷积层，形成特征金字塔网络NPANet，完成安全帽检测轻量化卷积神经网络构建；

利用所述特征金字塔网络NPANet特征提取的方法的步骤如下：

B1、利用3层卷积模块Conv x3对深层特征图进行特征提取，得到深层特征图特征提取结果，并将深层特征图特征提取结果输入第一空间金字塔模块SPP1；

B2、利用第一空间金字塔模块SPP1对深层特征图特征提取结果的做最大池化处理，得到深层最大池化结果，并利用3层卷积模块Conv x3对最大池化结果进行特征提取，得到深层最大池化特征提取结果；

B3、将深层最大池化特征提取结果进行上采样后与中层特征图进行Concat融合，得到第一中层融合特征图，并利用3层卷积模块Conv x3对第一中层融合特征图进行特征提取，得到第一中层融合特征图特征提取结果；

B4、利用第二空间金字塔模块SPP2对第一中层融合特征图特征提取结果做最大池化处理，得到中层最大池化结果，并利用3层卷积模块Conv x3对中层最大池化结果进行特征提取，得到中层最大池化特征提取结果；

B5、将中层最大池化特征提取结果进行上采样后与浅层特征图进行Concat融合，得到浅层融合特征图，并利用3层卷积模块Conv x3对浅层融合特征图进行特征提取，得到浅层融合特征图特征提取结果；

B6、利用第三空间金字塔模块SPP3对浅层融合特征图特征提取结果做最大池化，得到浅层最大池化结果，并利用3层卷积模块Conv x3对浅层最大池化结果进行特征提取，得到浅层最大池化特征提取结果；

B7、将浅层最大池化特征提取结果进行下采样后与中层最大池化特征提取结果进行Concat融合得到第二中层融合特征图，并利用5层卷积模块Conv x5对第二中层融合特征图进行特征提取，得到第二中层融合特征图特征提取结果；

B8、将第二中层融合特征图特征提取结果下采样与深层最大池化特征提取结果进行Concat融合，得到深层融合特征图，并利用5层卷积模块Conv x5对深层融合特征图进行特征提取，得到深层融合特征图特征提取结果，完成对所述三种不同尺度的特征图的特征提取；

S3、将所述施工现场安全帽图片检测训练集经预处理后输入到构建的安全帽检测轻量化卷积神经网络进行训练；

S4、利用训练好的安全帽检测轻量化卷积神经网络用于实际的施工现场安全帽佩戴检测。

2.根据权利要求1所述的基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，所述施工现场安全帽检测训练集包括若干张尺度大小为416×416的施工现场安全帽图集。

3.根据权利要求1所述的基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，所述Mobilenetv1轻量化网络采用直筒结构，并根据用于降低网络参数量的3×3深度可分离卷积层，以及用于进行通道的融合与调整的1×1点卷积层构成深度可分离卷积模块Depthblock_body。

4.根据权利要求1所述的基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，所述第一空间金字塔模块SPP1、第二空间金字塔模块SPP2和第三空间金字塔模块SPP3均包括用于对三种尺度特征图分别进行最大池化的1×1的池化核、5×5的池化核、9×9的池化核、13×13的池化核以及用于对尺度特征图通道融合的concat函数。

5.根据权利要求1所述的基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，所述三种尺度特征图分别为52×52的浅层特征图、26×26的中层特征图以及

13×13的深层特征图。

6.根据权利要求5所述的基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，所述步骤S3中安全帽检测轻量化卷积神经网络单次训练的步骤如下：A1、将训练集输入至Mobilenetv1轻量化网络进行特征提取，且分别将三种尺度特征图输入至所述特征金字塔网络NPANet；

A2、利用所述特征金字塔网络NPANet对三种不同尺度的特征图进行特征提取，并将特征金字塔网络NPANet的特征提取结果输入至YOLO Head结果预测模块；

A3、利用YOLO Head结果预测模块输出最终特征图，并利用logist回归对最终特征图上的先验框进行非极大值筛选评分，且得到预测结果，完成安全帽检测轻量化卷积神经网络单次训练。

7.根据权利要求6所述的基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，所述特征金字塔网络NPANet的特征提取结果包括浅层最大池化特征提取结果、第二中层融合特征图特征提取结果和深层融合特征图特征提取结果。