检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

改进yolox-s的密集垃圾检测方法

计算机工程与应用 2022年

作者：谢若冰李茂军李宜伟胡建文长沙理工大学电气与信息工程学院

针对密集堆放的多种类垃圾检测存在识别率低、定位不够准确和待测目标被误检、漏检问题，提出了一种融合多头自注意力机制改进yolox-s的垃圾检测方法。首先，在特征提取网络嵌入swin Transformer模块，引入基于滑窗操作的多头自注意力... 详细信息

针对密集堆放的多种类垃圾检测存在识别率低、定位不够准确和待测目标被误检、漏检问题，提出了一种融合多头自注意力机制改进yolox-s的垃圾检测方法。首先，在特征提取网络嵌入swin Transformer模块，引入基于滑窗操作的多头自注意力机制，使得网络兼顾全局特征信息和重点特征信息，减少误检现象；其次，在预测输出网络中使用可变形卷积，对初始预测框进行精细化处理，提高定位精度；最后，在EIoU损失的基础上引入加权系数，提出加权IoU-EIoU损失，自适应调整训练时不同阶段不同损失的关注程度，进一步加快训练网络的收敛速度。在公开204类垃圾检测数据集中进行测试，结果表明，所提改进算法的平均精度均值分别可达 80.5%和 92.5%，优于当前流行目标检测算法，且检测速度快，满足实时性需求。

关键词：密集垃圾检测多头自注意力机制 yolox-s 深度学习

基于改进yolox-s的轻量级型钢表面缺陷检测算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用 2023年第S2期43卷 201-208页

作者：黄啸吴龙黎尧吕宏泽福建农林大学机电工程学院福州350100 三明学院机电工程学院福建三明365004

单阶段目标检测网络特征融合性能不足,且型钢生产现场计算资源受限,导致型钢表面缺陷检测精度较低。针对上述问题,提出一种改进yolox-s的轻量级型钢表面缺陷检测算法。首先,提出一种轻量级双路并行注意力模块并将该模块引入yolox-s,以... 详细信息

单阶段目标检测网络特征融合性能不足,且型钢生产现场计算资源受限,导致型钢表面缺陷检测精度较低。针对上述问题,提出一种改进yolox-s的轻量级型钢表面缺陷检测算法。首先,提出一种轻量级双路并行注意力模块并将该模块引入yolox-s,以提高网络对缺陷特征的敏感度和提升有效特征的提取效率;其次,在Neck中构建双向特征金字塔网络(BiFPN)加权特征融合路径,促进浅层细节特征与深层语义特征的交互融合,强化网络特征融合能力,并在网络中引入深度可分离卷积(DsC)对模型进行轻量化处理;最后,将模型的边界框回归损失函数替换为完全交并比(CIoU)损失,加快模型收敛,提升预测框的定位精度。在NEU-DET数据集上的实验结果表明,所提算法的平均精度均值(mAP)达到了74.6%,比原始yolox-s提升了4.8个百分点,推理帧率达到75.2 frame/s,能够满足实时性检测的需求;生产现场采集的型钢数据集进一步验证了所提算法的可行性。

关键词： yolox-s 双向特征金字塔网络并行注意力完全交并比损失深度可分离卷积型钢表面缺陷检测

基于改进yolox-s的密贴检查器故障检测方法

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2022年第12期45卷 91-98页

作者：徐哲玮刘昭包建东刘英舜南京理工大学自动化学院南京210094

为了降低密贴检查器维护和检修中的高运营成本,提高安全保障能力,提出了一种改进yolox-s的密贴检查器故障检测方法。通过改进yolox-s中的PANet路径融合网络,进一步增加了与浅层特征层的融合;此外,增加了CA注意力机制,将注意力集中在目... 详细信息

为了降低密贴检查器维护和检修中的高运营成本,提高安全保障能力,提出了一种改进yolox-s的密贴检查器故障检测方法。通过改进yolox-s中的PANet路径融合网络,进一步增加了与浅层特征层的融合;此外,增加了CA注意力机制,将注意力集中在目标区域内,以获取细节信息;选用CIoU损失函数以聚焦目标框与检测框之间的重叠面积、中心点距离和长宽比,提高模型的定位精度。实验结果表明,相较于yolox-s模型,所提模型有着更好的综合表现,动接点环平均精度为97.73%,静接点片平均精度为98.83%,平均精度均值为98.28%。

关键词：轨道交通密贴检查器故障检测 yolox-s 深度学习

基于改进yolox-s的安全帽反光衣检测算法

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2022年第6期45卷 130-135页

作者：程换新蒋泽芹程力成凯青岛科技大学自动化与电子工程学院青岛266061 中国科学院新疆理化技术研究所乌鲁木齐830011

在工业生产和交通工程中,安全帽和反光衣都是员工重要的生命安全保障。针对传统安全帽反光衣识别方法只能检测单一颜色反光衣、检测效率低的问题,提出一种基于改进yolox-s网络模型的安全帽反光衣检测方法。使用简化BiFPN模块替换原加强... 详细信息

在工业生产和交通工程中,安全帽和反光衣都是员工重要的生命安全保障。针对传统安全帽反光衣识别方法只能检测单一颜色反光衣、检测效率低的问题,提出一种基于改进yolox-s网络模型的安全帽反光衣检测方法。使用简化BiFPN模块替换原加强特征提取网络,提高网络对不同尺度的特征提取能力;使用Mosaic方法进行训练,提高网络在复杂场景下的检测能力;使用GIoU损失函数,进一步提高模型的识别准确率。在扩充后的安全帽反光衣数据集上实验表明,所提算法在保持较高推理速度的情况下,mAP达83.74%,与原yolox-s相比,对戴安全帽、穿反光衣和行人的检测AP值有1%~3%不等的提高,对反光衣颜色无依赖性,有效实现了快速准确的安全帽反光衣检测。

关键词：安全帽反光衣检测 yolox-s BiFPN Mosaic方法

复杂场景下基于改进的yolox-s口罩佩戴检测研究

在线全文

学校读者我要写书评

暂无评论

复杂场景下基于改进的YOLOx-s口罩佩戴检测研究

作者：吕任之中国石油大学(北京)

学位级别：硕士

为了预防尘肺病,工人在高粉尘环境工作时必须佩戴口罩。同时,在医院手术室、食堂、无尘车间等安全卫生等级较高的地方以及疫情期间的公共场所,也有同样的要求。本文基于计算机视觉技术,提出使用改进的yolox-s模型来代替人工监管,解决了... 详细信息

为了预防尘肺病,工人在高粉尘环境工作时必须佩戴口罩。同时,在医院手术室、食堂、无尘车间等安全卫生等级较高的地方以及疫情期间的公共场所,也有同样的要求。本文基于计算机视觉技术,提出使用改进的yolox-s模型来代替人工监管,解决了现实生活中复杂场景下的口罩佩戴检测问题。该方法不仅可以节省大量人力资源,还提升了口罩监管的效率,大幅降低了工人患尘肺病的概率,减小了疫情传播的风险,保护了人们的身体健康。本文的主要研究内容为:(1)构建了现实生活中人群密集场景下的口罩数据集,数据集一共包含3617张图像。图像存在画面模糊、目标被遮挡、口罩的大小颜色数目各不相同、光线背景不一的情况。这些复杂的特点在一定程度上提升了模型的鲁棒性。(2)应对复杂场景时,轻量化yolox-s模型存在感受野较小、特征提取和融合能力有限、使用的Io U损失函数存在不足的问题。针对这些问题,本文提出四个改进方法。第一,使用RFB结构替换sPP结构来进一步增大网络的感受野,使得模型可以提取到更多语义信息。由于Hard swish函数在一定程度上可以提高深度网络的精度,且更适合部署到移动端,所以将RFB结构中的所有Re LU激活函数都换成Hard swish函数。第二,为了使得网络更加准确地定位口罩目标,加强特征提取能力,解决容易丢失小尺寸目标特征信息的问题,在网络的Backbone部分和Neck部分之间添加ECA注意力机制。第三,为了加强网络对多尺度特征的融合能力,重新设计网络的PANet连接结构,并使用新的Csplayer模块,使得网络可以重复学习梯度信息。第四,由于原模型所使用的Io U损失函数存在一些问题,提出使用Alpha DIo U损失函数来替代。同时,该方法还可以加快网络的收敛速度。实验结果表明,改进之后的yolox-s模型的m AP达到了97.18%,与原模型相比提升了1%,与其他主流目标检测模型相比,精度是最高的。同时,在图片的检测效果上看,改进的模型在一定程度上解决了原模型存在的漏检问题,并未出现其他模型所出现的目标定位不准的问题,且每秒可以检测72张图片,满足实时检测的需求。

关键词：口罩检测卷积神经网络 yolox-s 深度学习特征融合

基于改进yolox-s的足球比赛视频目标检测方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLOX-S的足球比赛视频目标检测方法

作者：何妍妍辽宁科技大学

学位级别：硕士

足球比赛视频目标检测是视频目标检测在体育场景中的使用。对足球比赛中足球和运动员进行目标检测,跟踪具有很高的研究价值和现实意义。一方面,教练可以提取足球运动员的数据进行战术研究,促进足球赛事质量提升;另一方面,足球比赛有广... 详细信息

足球比赛视频目标检测是视频目标检测在体育场景中的使用。对足球比赛中足球和运动员进行目标检测,跟踪具有很高的研究价值和现实意义。一方面,教练可以提取足球运动员的数据进行战术研究,促进足球赛事质量提升;另一方面,足球比赛有广泛的受众,转播方和赞助商可以深度挖掘足球比赛所产生的商业价值。然而,足球视频具有的一些特点,对目标检测提出了挑战。例如在比赛中球员因剧烈运动带来的形状大小改变,足球目标较小,球员分布密集等。为了解决上述问题,研究者提出众多有效的检测模型,其中关于深度学习卷积神经网络就保持较好的检测效果。因此,本文从卷积神经网络入手,介绍了人工神经网络,卷积神经网络,目标检测操作步骤,目标检测的三个主要组成部分:特征提取,边框回归,非极大值抑制,YOLO算法。再详细介绍五种主要的目标检测算法,包括Faster-RCNN算法、sDD目标检测算法、Efficientdet、Center Net、yolox-s。使用这五种目标检测算法在足球比赛数据集上进行对比实验后,选择yolox-s进行改进。使用了Pseudo-Iou度量,改进yolox-s中的正样本初步筛选机制,将更标准化和准确的分配规则引入到yolox-s无锚检测框架。此外,损失函数使用focal loss,以此平衡难易样本;根据实验结果显示,相较于yolox-s模型,所提模型有着更好的综合表现,足球平均精度为79.8%,梅西平均精度为72.6%,平均精度均值为76.2%。

关键词：目标检测足球赛事 Focal Loss Pseudo-Iou度量 yolox-s

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进yolox-s的安全帽检测

计算机系统应用 2023年第7期32卷 145-154页

作者：苏鹏刘美马思群大连交通大学机车车辆工程学院大连116028 广东石油化工学院自动化学院茂名525000

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... 详细信息

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

基于改进yolox-s算法的焊缝特征点提取方法研究

在线全文

学校读者我要写书评

暂无评论

现代电子技术 2023年第17期46卷 95-101页

作者：王嘉盛张斌湛敏林子祥中国计量大学计量测试工程学院浙江杭州310018 杭州莱霆科技有限公司浙江杭州310009

在使用机器人进行焊接的过程中,常常会出现一些问题,例如面对加工误差、热变形等引起的复杂环境状况,必须采用焊缝跟踪技术来辅助机器人进行焊接工作。传统的数字图像处理技术目前广泛应用于焊缝跟踪,不过在工业领域中,常常出现的特征... 详细信息

在使用机器人进行焊接的过程中,常常会出现一些问题,例如面对加工误差、热变形等引起的复杂环境状况,必须采用焊缝跟踪技术来辅助机器人进行焊接工作。传统的数字图像处理技术目前广泛应用于焊缝跟踪,不过在工业领域中,常常出现的特征变化和电弧噪声等问题对焊缝特征提取算法提出了更高的要求。为了解决焊缝特征提取的抗干扰和自适应性问题,文中将基于深度学习的目标提取方法应用于焊缝检测,提出了一种基于改进yolox-s的焊缝特征点提取方法。在yolox-s算法的特征金字塔中每个上采样和下采样之后使用注意力机制,使模型更多关注焊缝特征点特征信息,从而减少检测误差。该方法能克服强弧光的干扰,满足复杂焊接过程对精度和实时性的要求。将yolox-s算法中卷积层之后的批标准化改为群组归一化,可以解决批量较小引起的误差增加的问题。实验结果表明了该算法的可行性。

关键词：自动焊接特征点提取深度学习 yolox-s 焊缝特征提取注意力机制

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

改进yolox-s算法的安全帽和口罩检测

宜宾学院学报 2023年第6期23卷 17-24页

作者：童晓东李兆飞四川轻化工大学自动化与信息工程学院四川宜宾644000 人工智能四川省重点实验室四川宜宾644000

针对建筑工地等危险场景下需要对相关人员佩戴安全帽和口罩进行检测,提出基于改进yolox-s算法对安全帽和口罩小目标进行同时、实时检测.首先,在yolox-s中CsPLayer结构引入ECA注意力机制,引导模型更加关注小目标信息的通道特征,增强模型... 详细信息

针对建筑工地等危险场景下需要对相关人员佩戴安全帽和口罩进行检测,提出基于改进yolox-s算法对安全帽和口罩小目标进行同时、实时检测.首先,在yolox-s中CsPLayer结构引入ECA注意力机制,引导模型更加关注小目标信息的通道特征,增强模型对有用特征的利用能力;其次,在主干特征提取网络的三个特征层后添加ConvNext Block模块,增强模型对有用特征的利用能力;最后,在加强特征提取网络中引入BiFPN的加权特征融合机制,将原来concat变为BiFPN_concat,增加了对每个输入特征添加可学习的权值,来学习不同输入特征的重要性,区分特征融合过程中不同特征的重要程度,更好关注待检测的目标信息.实验结果表明,改进后算法的mAP为93.2%,比原始yolox-s算法平均精确度提升了3.1%.

关键词：深度学习 yolox-s 安全帽检测口罩检测建筑工地