针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融...针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融合金字塔ASFF,对有效特征层进行加权融合,加快了网络训练收敛速度;并采用Focal Loss替换二元交叉熵损失函数,用以解决因样本少导致分类不准确的问题。实验结果表明,相较于YOLOX算法,改进YOLOX算法mAP值提升了2.89%,参数量减少了6.23 M,可视化实验进一步验证了所提算法可以提高检测精度,有效避免因弱光线导致的漏检、错检现象。展开更多
针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题,提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础,在保留其网络轻量...针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题,提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础,在保留其网络轻量化的同时进行局部优化,改进了浅层网络的激活函数,嵌入了SE(Squeeze and Excitation)注意力机制;在加强特征层优化了尾部的冗余卷积。通过与几种代表性算法进行对比试验,验证该算法的性能。结果表明:本文提出的改进算法在模型参数量仅为1.10×106的情况下,检出率和准确率分别达到了92.17%和90.92%,每秒传输帧数(Frame Per Second,FPS)为115.07,模型大小仅为原模型的1/5。该算法在保证较高检测精度的同时大大降低了模型参数量,并提升了检测速度,更适合部署于算力有限的嵌入式轨道检测系统,可为钢轨缺陷高效检测提供有效手段。展开更多
文摘为提高图像异型波形提取效率及准确性,提出基于卷积神经网络(Convolutional Neural Network,CNN)模型的图像快速定位处理方法,通过优化YOLOX模型结构对新建模型进行训练、测试及验证。结果表明:CP-YOLOX-48和CP-YOLOX-64两个模型验证集损失值较低且差异性较小,然而CP-YOLOX-64的浮点运算数比CP-YOLOX-48的运算值高了近1倍,故确定CP-YOLOX-48为最佳模型。与两种原始YOLOX模型相比,CP-YOLOX模型的图像处理效率、精准率(Accuracy)、召回率(Recall)及mAP(mean Average Precision)值均略高,且精准率大于90%,证实了CP-YOLOX-48模型具有较高的预测精度及提取效率。
文摘针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融合金字塔ASFF,对有效特征层进行加权融合,加快了网络训练收敛速度;并采用Focal Loss替换二元交叉熵损失函数,用以解决因样本少导致分类不准确的问题。实验结果表明,相较于YOLOX算法,改进YOLOX算法mAP值提升了2.89%,参数量减少了6.23 M,可视化实验进一步验证了所提算法可以提高检测精度,有效避免因弱光线导致的漏检、错检现象。
文摘针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题,提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础,在保留其网络轻量化的同时进行局部优化,改进了浅层网络的激活函数,嵌入了SE(Squeeze and Excitation)注意力机制;在加强特征层优化了尾部的冗余卷积。通过与几种代表性算法进行对比试验,验证该算法的性能。结果表明:本文提出的改进算法在模型参数量仅为1.10×106的情况下,检出率和准确率分别达到了92.17%和90.92%,每秒传输帧数(Frame Per Second,FPS)为115.07,模型大小仅为原模型的1/5。该算法在保证较高检测精度的同时大大降低了模型参数量,并提升了检测速度,更适合部署于算力有限的嵌入式轨道检测系统,可为钢轨缺陷高效检测提供有效手段。
