يُعد ارتداء الخوذة الواقية أمرًا مهمًا في الأنشطة الصناعية والبناء لتفادي الحالات غير المرغوب فيها. ويمكن ضمان الامتثال للسلامة من خلال تطوير نظام تلقائي للكشف عن الخوذات باستخدام مختلف مناهج الرؤية الحاسوبية والتعلم العميق. وعادةً ما يتطلب تطوير نموذج كشف الخوذات القائم على التعلم العميق كميات هائلة من بيانات التدريب. ومع ذلك، فإن هناك عددًا قليلاً جدًا من مجموعات بيانات الخوذات الواقية العامة المتوفرة في الأدبيات، حيث لا تكون معظمها مُلصَّقة تمامًا، أما المجموعة المُلصَّقة فتحتوي على عدد قليل من الفئات. تقدم هذه الورقة مجموعة بيانات "SHEL5K" (Safety HELmet dataset)، وهي نسخة مُحسَّنة من مجموعة بيانات SHD، وتتكون من ست فئات مُلصَّقة بالكامل: الخوذة، الرأس، الرأس مع الخوذة، الشخص مع الخوذة، الشخص بدون خوذة، والوجه. تم اختبار مجموعة البيانات المقترحة على عدة نماذج حديثة متقدمة للكشف عن الكائنات، مثل YOLOv3 (YOLOv3، YOLOv3-tiny، و YOLOv3-SPP)، و YOLOv4 (YOLOv4 و YOLOv4pacsp-x-mish)، و YOLOv5-P5 (YOLOv5s، YOLOv5m، و YOLOv5x)، ونموذج Faster Region-based Convolutional Neural Network (Faster-RCNN) مع معمارية Inception V2، و YOLOR. وقد أظهرت النتائج التجريبية المقارنة بين النماذج المختلفة على مجموعة البيانات المقترحة تحسينًا في متوسط دقة المجموعة (mAP). وتميّزت مجموعة بيانات SHEL5K مقارنةً بغيرها من مجموعات بيانات الخوذات الواقية من حيث احتوائها على عدد أقل من الصور ولكن بملصقات أفضل وعدد أكبر من الفئات، مما يجعل كشف الخوذات أكثر دقة.