安全帽的佩戴是工人人身安全的有力保障。针对采集的安全帽佩戴图像目标密集、像素点小、检测难度大的特点，提出一种面向安全帽的YOLOv5小目标检测算法。首先，基于YOLOv5算法优化边界框回归损失函数和置信度预测损失函数的计算方式，以提高算法在训练中对密集小目标特征的学习效果；然后，引入切片辅助微调和切片辅助推理（SAHI）对输入网络的图像进行切片处理，使得小目标对象产生更大的像素区域，进而改善网络推理与微调的效果。实验采用了工业场景中包含密集安全帽小目标的数据集进行训练。实验结果表明，改进后的算法相较于原始YOLOv5算法能将精确率提升0.26个百分点，召回率提升0.38个百分点；并且所提算法的平均精确率均值（mAP）达到了95.77%，相较于原始YOLOv5算法等几种算法提升了0.46~13.27个百分点。结果验证了切片辅助微调和SAHI的引入可以提升密集场景下小目标检测识别的精确率和置信度，减少误检漏检的情况，有效满足安全帽佩戴检测的需求。
