文献类型：期刊文章

作　　者：丁田[1,2] 陈向阳[1,2] 周强[1,2] 肖浩樑[1,2]

Ding Tian;Chen Xiangyang;Zhou Qiang;Xiao Haoliang(School of Computer Science and Engineering,Wuhan Institute of Technology,Wuhan 430205,China;Hubei Key Laboratoryof Intelligent Robot,Wuhan Institute of Technology,Wuhan 430205,China)

机构地区：[1]武汉工程大学计算机科学与工程学院,武汉430205 [2]武汉工程大学智能机器人湖北省重点实验室,武汉430205

出　　处：《电子测量技术》

基　　金：武汉工程大学教育创新基金(CX2021273)项目资助。

年　　份：2022

卷　　号：45

期　　号：17

起止页码：72-78

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大。针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法。首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力。其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度。最后,构建了一个真实施工场景下的小目标安全帽数据集。实验结果表明,改进后的算法mAP达91.7%,比原YOLOX算高出1.2%,对已佩戴安全帽的工人检测平均精度达93.9%,对未佩戴安全帽的检测平均精度达89.5%,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率。

关 键 词：YOLOX  注意力机制  安全帽检测  深度学习  

分 类 号：TP391]