摘要：邮轮旅游业的蓬勃发展对安全监管,尤其是火灾风险的监测预警提出了更高要求。现有的火灾监测系统众多,使用科学的监测系统可提高监测质量与精度。为提高邮轮火灾监测的准确性与实时性,本文对yolox算法的主干网络与特征融合网络进行改进,并融入了结合空间与通道注意力机制的卷积模块,设计出了改进的邮轮火灾监测模型。测试结果表明,针对烟雾与火焰设计的不同损失函数对检测准确率具有明显的正向作用。本文设计的邮轮火灾监测模型具有良好的综合性能,不仅提升了邮轮火灾风险监测的效率与可靠性,还为智能化火灾系统的发展提供了新的思路与参考。

摘要：由于在低照度场景下获取的图像具有亮度弱、对比度低、噪声多和细节丢失等特点,使用现有的检测模型对低照度图像进行目标检测会出现定位不准确和分类错误,从而导致最终的检测精度偏低.针对以上现象,本文提出了一种基于Night-yolox的低照度目标检测方法.该方法首先设计了一个低级特征聚集模块(Low-level Feature Gathering Module,LFGM)与主干网络合并.在低照度场景下捕获更多有效的低级特征有利于定位目标,该模块通过聚集浅层特征图中具有判别性的低级特征并送入高级特征图和深层卷积阶段中,以补偿在对低照度图像进行特征提取过程中边缘、轮廓和纹理等低级特征的缺失.然后,设计了一种注意力引导块(Attention Guidance Block,AGB)嵌入检测模型的颈部结构,从而减少低照度图像中噪声干扰的影响,引导检测模型推断出特征图中完整的对象区域范围并提取更多有用的对象特征信息,以提高目标分类的准确性.最后,在真实低照度图像数据集ExDark上进行实验,结果表明所提出的Night-yolox相比于其它主流的目标检测方法,在低照度场景下具有更好的检测性能.

摘要：热贡唐卡壁画作为人类及国家级非物质文化遗产是藏族文化中独具特色的艺术形式,其画面不仅表现出了佛教本生故事,更体现了藏地的历史、地理、文化、科技等内容。然而,不具备热贡艺术专业知识的人们很难对其进行了解。因此提出了一种唐卡壁画元素的自动检测算法,用于推动唐卡壁画的传播。通过对yolox算法进行改进,提出了ECAMH-yolox模型对唐卡壁画图像进行检测。ECAMH-yolox模型是在yolox的基础上增加了高效通道注意力模块,在保持轻量化的同时获得更好的图像全局信息;同时为了更好地检测不同尺度的目标,在检测头模块增加了一个新的检测头,通过四个检测头对图像进行检测,以此来提高不同尺寸目标的检测结果;并使用SIoU损失函数计算回归损失以此来加快模型的收敛速度,提高模型效果。实验结果证明,ECAMH-yolox模型在所构建的唐卡壁画数据集上均不存在漏检错检的情况,而yolox算法存在对小目标的漏检现象,并且ECAMHyolox模型的mAP0.5:0.95达到了55.9%,比yolox算法提升了0.049。该模型在保持轻量化的同时,进一步提高了检测效果。也增加了人们了解热贡艺术的途径。

摘要：识别碳酸盐岩溶洞的传统方法主要基于地震反射特征分析,对数据的要求较高,普适性不强,效率低下且存在主观因素。利用卷积神经网络(CNN)的特征提取能力识别地质构造方法的研究对象主要是盐丘、断层、地层等大尺度目标,但对于识别溶洞等小尺度构造容易出现误判。由于不同尺度的溶洞在地震剖面上呈不同的反射特征,溶洞与“串珠状”间存在一定的映射关系。因此,可首先在地震剖面上识别相对大尺度的“串珠状”,然后基于“串珠状”与溶洞的映射关系识别溶洞。为此,提出了基于yolox的“串珠状”目标检测模型网络结构,主要包括特征提取、特征加强、解耦头三个部分。输入地震剖面后,经特征提取得到不同尺度的有效特征,然后输入特征加强网络完成多尺度的特征融合,最后由解耦头获得检测框的信息,经解码后得到“串珠状”异常反射边界的位置并输出检测框。合成地震数据测试及实际地震数据测试结果表明:(1)传统方法以振幅为基础,当“串珠状”处于强同相轴及其附近时难以识别,且高值部分无法反映“串珠状”实际范围;(2)U-Net模型识别结果反映了“串珠状”的位置,但不能获得边界坐标,易将两个很近的“串珠状”误判为一个,识别准确率不高,存在错拾或漏拾;(3)yolox模型识别结果的检测框反映了“串珠状”的位置和实际大小,同时可得到“串珠状”的具体坐标。因此,yolox模型识别效果优于传统方法和U-Net模型。

摘要：为缓解车辆小目标漏检及误检问题,提出一种基于yolox网络的多尺度特征融合的改进车辆检测模型。设计基于深度可分离卷积的Ghost-CSP(cross stage partial),替换网络的部分跨阶段局部结构,加快检测速度;将模型的最大池化方式改进为Softpool方式,并引入坐标注意力机制,增强待检测目标的特征表达,优化目标漏检问题;选用Focal Loss作为模型置信度损失函数以增加分类不准确样本的权重,提高模型对小目标的预测能力。实验结果表明:改进算法平均准确率提高到74.96%,速度达到73帧/s,在满足实时性要求下可以更好地完成车辆目标检测要求。

摘要：针对目前苹果叶片数据集的叶片病害种类不全以及图片背景单一等问题,构建了复杂背景下包括苹果叶部六种常见病害的苹果叶片病害数据集。针对目前主流苹果叶片病害检测模型检测精度不高、模型复杂和不满足实时监测等问题,提出了一种基于yolox-S(you only look once X-S)改进得到的复杂背景下的苹果叶片病害自适应检测模型Dynamic-yolox。设计并使用ECA-SPPFCSPC模块(efficient channel attention cross-stage partial fast spatial pyramid pooling module)更换yolox-S模型主干网络尾部Dark5中的空间金字塔池化(SPP)以及跨阶段局部网络(CSPNet)模块来增强模型关注深层语义特征、抑制无用信息的能力,并减少硬件内存开销。设计了动态跨阶段局部网络(ODCSP)模块,并用其更换yolox-S模型主干网络中Dark2、Dark3、Dark4部分以及颈部网络中所有的CSPNet模块,使得模型在面对不同输入特征时有更强的自适应性,在减少模型的参数量和计算量的同时提高了模型的平均检测精度。引入Varifocal Loss更换模型中分类置信度损失的BCEWithLogits Loss来提升模型对苹果叶片中密集小目标病害的检测精度。在自制数据集上Dynamic-yolox相对原始yolox-S模型的mAP提升了4.54个百分点,达到84.63%,同时模型的参数量和计算量分别下降了11.97%和13.45%,检测速度达到44.07 FPS。对比主流苹果叶片病害检测模型,Dynamic-yolox具有一定优越性。

摘要：针对深度学习模型在工业轴承表面缺陷检测中多目标情形下的小目标漏检率高、模型特征融合不充分的问题,基于yolox提出一种多注意力特征加权融合的小目标缺陷检测算法。在骨干网络引入特征提取更加细粒度的Res2Block模块,同时嵌入自注意力机制,增加隐性小目标的区域特征,减少漏检率;设计内嵌坐标注意力并作为加权条件的双路金字塔特征融合网络,提升浅层细节特征和深层高级语义特征的交互融合能力;后处理阶段引入Focal Loss损失函数,增加模型对正样本目标的学习,进一步减少漏检率。实验结果表明,与原yolox算法相比,改进算法在自制小型列车轴承表面缺陷数据集上mAP提高了4.04个百分点,对小目标的识别率明显提升。

摘要：针对原始yolox在自动驾驶场景中易出现小目标的误检及漏检问题,提出一种改进yolox网络模型的检测方法。增加一个检测头,显著提高了小目标的检测精度。用更快的空间金字塔池化(spatial pyramid poolingfast,SPPF)替代传统的空间金字塔池化(spatial pyramid pooling,SPP)结构,并引入了高效通道注意力机制(efficient channel attention,ECA),以增强模型对复杂背景和小目标的识别能力,有效降低了小目标的漏检率。在网络的neck部分,采用深度可分离的卷积方法,进一步提高了计算效率。基于KITTI数据集,设计了一种新的数据增强技术,提高模型的训练稳定性。实验结果表明,优化后yolox算法的小目标平均精度APS和平均召回率AR分别提升了0.20和0.097,在小目标检测上取得了显著进步,并大大降低了漏检率。

摘要：我国每年有大量人员因为非法在水库及河湖水域游泳、钓鱼溺水而丧生,这些水域往往地处偏僻,无法安排监管人员24小时值守。同时,由于速度和准确度难以兼具,或体积较大难于部署等原因,现有基于视觉的目标检测方法也无法实现对非法野泳、野钓行为的实时检测。基于此,提出了融合注意力机制的yolox-ECA模型,通过在yolox骨干网络中的残差块和特征金字塔网络中添加ECA模块,以求在保持原yolox模型较快检测速度的同时提升对野泳、野钓行为的检测效果。基于自制野泳、野钓数据集的实验证明,改进的yolox-ECA模型对河湖水域的野泳、野钓行为的检测性能(AP)在90%以上,检测速度为62.29fps。模型整体性能(mAP)较原yolox模型提高1.21%,同其他目标检测算法如Faster-RCNN相比性能同样占优。改进的yolox-ECA模型的实时性和准确性均达到预期设计目标,在河湖流域智能监管等领域有较大的应用前景。

摘要：yolox是全球首个一阶无锚框目标检测模型,超越了YOLO-V(3-5)和SSD等传统锚框模型,极大提高了山地灾害检测识别精度。然而,该模型存在不同尺度之间特征不一致的问题,融合后的特征图质量有待提升。以西藏高原山地灾害重灾区为试验区,在建立了西藏高原山地灾害数据集的基础上,通过融合Adaptively Spatial Feature Fusion(ASFF)注意力机制和骨干网络尺寸调整机制,设计了一个优化的、不同适用性的高原山地灾害检测模型(Plateau mountain disaster detection model,PMDDM)。为验证PMDDM模型的优越性,将其与传统yolox模型、不同注意力机制、不同目标检测模型进行了对比分析,并且对不同尺度模型的检测性能和可视化结果也进行了对比分析研究。结果表明:ASFF注意力机制可以有效的解决传统yolox模型中存在的不同尺度特征间的特征不一致问题,且对模型检测性能提升明显优于SE、CBAM、ECA、GAM和Coord等注意力机制;PMDDM模型对山地灾害的检测精度优于Faster-RCNN、SSD和YOLO-V3模型,可以满足不同工作场景对硬件配置、检测速度和精度的需求,且模型尺度越大,识别目标的准确率越高。