- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
研究论文第51卷第3期/2025年3月/计算机工程
特征增强的低照度爆破现场安全帽检测算法
王新良,王璐莹
(河南理工大学物理与电子信息学院,河南焦作454003)
摘要:安全帽是保障爆破作业人员人身安全的重要工具。受低照度爆破现场安全帽检测任务中目标视觉信
息模糊、图像亮度低及对比度低的影响,在目标检测过程中存在目标漏检、误检等问题。基于YOLOX提出了
特征增强的安全帽检测算法FEM-YOLOX。首先,在主干网络使用软池化构建软空间金字塔池化模块
(SSPPM),减少了特征映射中的信息弥散,并在下采样映射中保留了更多上下文信息;其次,设计基于高效通道
注意力(ECA)机制的高效特征融合模块(EFFM),加强了模型对目标区域特征的学习,提高了特征融合的效率,
减少了模型误检情况的出现;再次,采用VariFocalLoss替代BCEWithlogitsLoss,动态调整正负样本的权重,使得
模型关注数量较少的正样本,加速了模型的收敛过程,提升了两类目标的检测精度;最后,采用CIoU作为边框
回归损失函数,提高了模型定位目标预测框的精度。实验结果表明,所提算法的均值平均精度(mAP)相较于基
线算法提升了2.21百分点,每秒处理的图像数量提升了7.67,满足了低照度爆破现场安全帽实时检测的精度
和速度需要。
关键词:安全帽检测;YOLOX-s算法;注意力机制;边框回归损失函数;置信度损失函数
中图分类号:TP391文献标志码:AD0l:10.19678/j.issn.1000-3428.0069174
SafetyHelmetDetectionAlgorithmwithFeatureEnhancement
inLowLightBlastingScenes
WANGXinliang,WANGLuying
(SchoolofPhysicsandElectronicInformationEngineering,HenanPolytechnicUniversity,Jiaozuo454003,Henan,China)
[Abstract]Safetyhelmetsareessentialprotectivegeartoensurephysicalsafetyamongblastingoperators.A
FeatureEnhancement-YOLOX(FEM-YOLOX)algorithmisproposedtoaddressfalsetargetdetectionand
misdetectioninhelmetdetectiontasksunderlowlightconditionscausedbyfuzzyvisualinformation,low
brightness,andlowcontrast.Initially,aSoftSpatialPyramidPoolingModule(SSPPM)isintegratedintothe
backbonenetworktominimizefeaturemappinginformationlossandtopreserveadditionalcontextinformation
duringdownsampling.Second,anEfficientFeatureFusionModule(EFFM)incorporatingalightweightchannel
attentionmechanismisdesignedtoenhancethetargetareafeaturelearning,improvefeaturefusionefficiency,and
reducemodelmisdetection.Third,VariFocalLossisadoptedinst
文档评论(0)