Un casco de seguridad es un equipo de protección personal indispensable en entornos de trabajo de alto riesgo. Factores como la densidad de personal, las condiciones de iluminación variables, las obstrucciones y las diferentes posturas de la cabeza pueden reducir la precisión de los métodos tradicionales para detectar cascos de seguridad. Este artículo propone un modelo mejorado de detección de cascos de seguridad YOLOv8n, YOLOv8-ADSC, para mejorar el rendimiento de la detección de cascos de seguridad en entornos de trabajo complejos. En este modelo, en primer lugar, se utilizan la Fusión de Características Espaciales Adaptativas (ASFF) y la Red Convolucional Deformable versión 2 (DCNv2) para mejorar la detección de cabezas, lo que permite a la red capturar de manera más efectiva información a múltiples escalas del objetivo; en segundo lugar, se incorpora una nueva capa de detección para objetivos pequeños para mejorar la sensibilidad a objetivos más pequeños; y finalmente, el módulo de Upsample se reemplaza con el módulo de up-sampling ligero Content-Aware ReAssembly of Features (CARAFE), que aumenta el rango de percepción, reduce la pérdida de información causada por el up-sampling, y mejora la precisión y robustez de la detección del objetivo. Los resultados experimentales en el conjunto de datos público Safety-Helmet-Wearing-Dataset (SHWD) demuestran que, en comparación con el modelo original YOLOv8n, el mAP@0.5 de YOLOv8-ADSC ha aumentado en un 2% para todas las clases, alcanzando el 94.2%, y el mAP@0.5:0.95 ha aumentado en un 2.3%, alcanzando el 62.4%. YOLOv8-ADSC puede adaptarse mejor a la detección de cascos de seguridad en entornos de trabajo complejos.