基于YOLOX轻量化网络的公路监控场景烟雾识别

摘要：

针对公路监控场景下烟雾识别精确度低、传统深层卷积神经网络对计算资源占用量大的问题,基于新型目标识别网络YOLOX构建了公路场景烟雾识别系统.首先收集并标注多公路监控场景下的烟雾图像样本数据,增加Smoke100K部分数据集并整合为公路场景烟雾数据集.同时,搭建并训练多种结构不同层数的YOLOX目标识别网络,利用深度可分离卷积方法对YOLOX网络主体结构进行精简优化,构建nano网络.训练过程中,采用Mosaic数据增强手段对数据集进行扩充,最后导入烟雾图像测试集,通过网络识别精确度、模型大小以及总参数量等指标对4种YOLOX识别网络进行系统测试及对比分析.测试结果表明,YOLOX系列模型均能较好地完成烟雾识别任务,其中nano网络识别精确度达到90.29％,而总参数量仅为m网络的1/25,说明利用数据增强方法提高训练集场景多样性能有效提高网络的泛化能力,在测试场景下提高对烟雾的识别精确度.此外,深度可分离卷积方法能有效压缩模型规模,减少计算量,同时保留网络的特征提取能力.

关键词：烟雾识别、轻量化网络、数据增强、深度可分离卷积、烟雾图像数据集

所属期刊栏目：8

分类号：U495(交通工程与公路运输技术管理)

资助基金：国家自然科学基金51978283

在线出版日期：2022-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：118-125