1.一种轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：包括以下步骤：S1：采集建筑施工现场图像，构建训练和测试数据集；

S2：构建轻量化YOLOv4网络用于安全帽佩戴检测；

S3：将所述施工现场所有图像经过预处理之后，输入到构建的轻量化YOLOv4网络中进行训练；

S4：利用轻量化YOLOv4网络，将训练好的安全帽佩戴检测模型用于实际的建筑工地安全帽佩戴检测。

2.根据权利要求1所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：步骤S1中，首先安装采集建筑工地图像需要的设备，包括监控设备和终端计算机，确保终端计算机能够接收监控设备传输过来的建筑施工现场图像；然后对采集到的图像进行标注和筛选。

3.根据权利要求2所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：所述监控设备用于实时捕获施工场所图像，传输施工场所图像至终端计算机；所述终端计算机用于接收摄像头传输过来的施工场所图像，输入轻量化YOLOv4网络进行检测，从而得到施工场所的安全帽佩戴情况。

4.根据权利要求3所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：步骤S1中所述标注和筛选包括：

S11：选择标注工具；

S12：利用所述标注工具从每张采集到的图像中选取人体目标，并标注对应头部区域所属类别以获取信息数据集；

S13：对信息数据筛选查看，筛选出佩戴安全帽和未佩戴安全帽的头部信息。

5.根据权利要求1所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：步骤S2具体包括以下步骤：

S21：根据EfficientNet网络结构中的MBConv模块进行修改，并参照和结合YOLOv4主干网络CSPDarkNet53结构的五个阶段，构建新的主干网络用于提取图像特征；

S22：在YOLOv4中，构建第一个Neck过渡网络SPPNet空间金字塔池化网络，包含三个池化结构和一个残差结构，通过多个不同的池化增加特征的感受野，并分离上下文特征；

S23：在YOLOv4中，构建第二个Neck过渡网络PANet路径聚合网络，包含自底向上和自顶向下两个部分，PANet网络通过特征金字塔FPN模型，通过拼接方式获取底层特征，并与顶层特征合并；

S24：通过PANet之后，完成安全帽佩戴检测的轻量化YOLOv4网络构建，构建完成的网络依据新的主干网络DSBNeti统一命名为DSB_YOLOv4。

6.根据权利要求5所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：步骤S21中构建新的主干网络包括以下步骤：S211：分析EfficientNet网络结构，并提取其主要模块MBConv，所述MBConv模块包含深度可分卷积和注意力机制模块，在所述注意力机制模块中，通过自适应平均池化关注到全局信息，并使用两个卷积层达到增加特征关注度的效果，使其在后续特征提取的过程中，对重要信息能够赋予更多的权重；

S212：对MBConv模块进行修改，去掉Droupout层以及与之相连接的残差结构；

对修改之后的网络模块重新命名，没有使用扩展卷积的模块命名为FirstDSBlock模块，使用扩展卷积的模块命名为DSBlocki(i＝1,2,3,4)，i代表替换DSBlock模块的数量；

S213：使用DSBlocki模块对YOLOv4目标检测网络中的主干网络CSPDarknet53进行逐模块替换，得到不同的新的主干网络，依据不同阶段替换的模块数量，将其命名为DSBNeti(i＝0,1,2,3,4)，其中i＝0代表只替换了第一个模块，即只将CSPFirstStage对应替换成FirstDSBlock模块；

S214：DSBNeti(i＝0,1,2,3,4)主干网络与原YOLOv4的主干网络CSPDarkNet53的整体架构相同，在最后三个阶段均有输出，三个阶段包含不同深浅的特征，这三个特征作用于后续Neck结构，用于对特征进行聚合。

7.根据权利要求6所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：所述步骤S213中，不同模块形成的主干网络包含五种情况：DSBNet0，第一阶段使用一个FirstDSBlock模块，后续四个阶段使用原YOLOv4的主干网络中的后四个CSPStages模块组成；

DSBNet1，第一阶段使用一个FirstDSBlock模块、第二个阶段使用一个DSBlock模块，后续三个阶段使用原YOLOv4的主干网络中的后三个CSPStages模块组成；

DSBNet2，第一阶段使用一个FirstDSBlock模块、第二、三个阶段使用两个DSBlock模块，后续两个阶段使用原YOLOv4的主干网络中的后两个CSPStages模块组成；

DSBNet3，第一阶段使用一个FirstDSBlock模块、第二、三、四个阶段使用三个DSBlock模块，最后一个阶段使用原YOLOv4的主干网络中的最后一个CSPStages模块组成；

DSBNet4，第一阶段使用一个FirstDSBlock模块，后续第二、三、四、五个阶段均使用DSBlock模块组成。

8.根据权利要求7所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：所述DSBNet4主干网络提取特征的过程如下：第一阶段，FirstDSBlock包含一个深度可分卷积，在逐元素与逐点卷积中间，添加压缩机制的卷积，再通过激励机制卷积，形成注意力机制模块，最后通过逐点卷积得到第一阶段的特征；

第二阶段：DSBlock1模块，特征首先通过扩展卷积，然后通过深度可分卷积，在逐元素卷积中间，压缩机制的卷积将通道压缩，再通过激励机制的卷积，将通道转换为原始输入，该注意力模块的输出作为逐点卷积的输入，通过逐点卷积得到第二阶段的特征；

第三阶段：DSBlock2模块，特征首先通过与第二阶段相同的扩展卷积，然后通过深度可分卷积，在逐元素卷积中间，包含与第二阶段相同的注意力机制的模块，该模块的输出作为逐点卷积的输入，通过逐点卷积得到第三阶段的特征；

第四阶段：DSBlock3模块，特征通过扩展卷积，然后通过深度可分卷积，依旧通过逐元素卷积和注意力机制模块，输出的特征作为逐点卷积的输入，通过逐点卷积得到第四阶段的特征；

第五阶段：DSBlock4模块，特征通过扩展卷积，然后通过深度可分卷积，接着通过逐元素卷积和注意力机制模块，输出的特征作为逐点卷积的输入，通过逐点卷积得到最深层的特征。

9.根据权利要求1所述的轻量化YOLOv4的建筑工地安全帽佩戴检测方法，其特征在于：所述步骤S3包括如下步骤：

S31：针对数据集中的施工现场的图像和标注情况进行统计和筛查，筛选出极小或极大的标注框，核查标注存在的误差；

S32：批量修改标注类别为“person”和“helmet”；

S33：将数据集图像归一化为相同尺度输入到轻量化网络DSB_YOLOv4中进行特征提取和聚合；

S34：通过DSB_YOLOv4的特征结果输入到YOLO Head模块中进行分类和预测；

S35：在YOLO Head模块中，预测输出最终的结果图，并利用逻辑回归和非极大值抑制对最终结果图上的先验框进行筛选和评分，并标注得到的预测结果，完成安全帽佩戴检测的训练。

10.一种轻量化YOLOv4的建筑工地安全帽佩戴检测装置，其特征在于：包括：输入模块，用于将监控设备捕获的图像传入如权利要求1‑9任一所述的预先完成训练的轻量化YOLOv4的安全帽检测模型中；

特征提取模块，用于利用所述安全帽佩戴检测的轻量化YOLOv4网络提取人体头部及安全帽特征；

分类预测模块，用于将轻量化YOLOv4的安全帽检测模型中提取到的人体头部及安全帽特征输入到YOLO Head模块中，使用逻辑回归和非极大值抑制得到预测的先验框、评分和类别信息。