文献类型：期刊文章

作　　者：苏鹏[1,2] 刘美[2] 马思群[1]

SU Peng;LIU Mei;MA Si-Qun(School of Locomotive and Vehicle Engineering,Dalian Jiaotong University,Dalian 116028,China;School of Automation,Guangdong University of Petrochemical Technology,Maoming 525000,China)

机构地区：[1]大连交通大学机车车辆工程学院,大连116028 [2]广东石油化工学院自动化学院,茂名525000

出　　处：《计算机系统应用》

基　　金：国家自然科学基金(62073091);广东省普通高校重点领域(新一代信息技术)专项(2020ZDZX3042)。

年　　份：2023

卷　　号：32

期　　号：7

起止页码：145-154

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：在施工现场中,发生过许多高空坠落事故,因此在施工现场佩戴安全帽是十分有必要的.针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况,提出一种基于YOLOX-s的改进算法.首先,在Neck层引入主干特征提取网络中的160×160特征层进行特征融合,并且增加了一个针对小目标的检测头;其次,采用SIoU损失函数计算损失值,使得网络在训练过程中考虑的损失项更加全面;并且采用varifocal loss函数来计算置信度损失值,进一步改善训练过程中存在的正样本与困难样本不均衡的问题,最后,采用CA(coordinate attention)注意力机制来增强模型的特征表达能力.实验结果表明,通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制,使得网络在训练过程中收敛与回归性能更佳.改进后的算法的mAP值为95.57%,相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%.改进后的算法检测速度为54.73帧/s,符合实时检测速度要求.

关 键 词：安全帽检测  YOLOX-s  小目标检测 SIoU损失函数  varifocal loss函数  注意力机制  

分 类 号：TP391.41] TU714[计算机类]