典型文献
基于改进YOLOX的安全帽佩戴实时检测
文献摘要：
在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大.针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法.首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力.其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度.最后,构建了一个真实施工场景下的小目标安全帽数据集.实验结果表明,改进后的算法mAP达91.7％,比原YOLOX算高出1.2％,对已佩戴安全帽的工人检测平均精度达93.9％,对未佩戴安全帽的检测平均精度达89.5％,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率.
文献关键词：
YOLOX;注意力机制;安全帽检测;深度学习
中图分类号：
作者姓名：
丁田;陈向阳;周强;肖浩樑
作者机构：
武汉工程大学计算机科学与工程学院 武汉430205;武汉工程大学智能机器人湖北省重点实验室 武汉430205
文献出处：
引用格式：
[1]丁田;陈向阳;周强;肖浩樑-.基于改进YOLOX的安全帽佩戴实时检测)[J].电子测量技术,2022(17):72-78
A类：
B类：
YOLOX,安全帽佩戴,实时检测,建筑行业,安全事故,安全帽检测,干扰性,小目标,改进算法,特征提取网络,ECA,Net,注意力机制,跨通道,权重值,制干,目标特征,特征图,特征融合,表达能力,CIoU,中心点,长宽比,损失函数,收敛速度,施工场景,mAP,算高,检测速度
AB值：
0.377166
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
