改进YOLOX的安全帽佩戴检测算法

摘要：

现有的目标检测网络参数量多、计算复杂度高,导致推理时间长,需要较高的硬件配置,而大多数轻量级的检测算法,在精度上无法满足实际的工作需求.针对这一问题,提出一种基于改进的YOLOX的安全帽佩戴检测算法.首先,在YOLOX网络的基础上,采用轻量级的GhostNet替换CSPDarknet作为主干特征提取网络,减少模型参数,提升网络的推理速度;然后,扩展特征融合网络的特征层输入尺度,增加160×160的有效特征层,在原2倍上采样的基础上增加4倍上采样的间隔融合结构,充分利用不同尺度的特征信息,加强网络对低维信息的感知,提高网络对小目标的检测能力;最后,使用深度可分离卷积代替常规卷积,进一步压缩模型参数.实验结果表明:改进后的算法在保证检测精度的情况下,将YOLOX的模型大小压缩了80％,参数量降低了81％;相较于轻量级网络YOLOX-tiny,平均准确率均值(mAP)提高了10.8％,且检测速度基本持平,更适合在实际的工程环境中部署.

关键词：目标检测、轻量级、GhostNet、特征融合

所属期刊栏目：51

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-06-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：289-297