计算机工程

作者：王新良, 王璐莹

单位：河南理工大学物理与电子信息学院, 河南 焦作 454003

关键词：安全帽检测,YOLOX-s算法,注意力机制,边框回归损失函数,置信度损失函数

基金：河南省高等学校青年骨干教师培养计划(2019GGJS060); 河南省高等学校重点科研基金项目(21B413005)

安全帽是保障爆破作业人员人身安全的重要工具。受低照度爆破现场安全帽检测任务中目标视觉信息模糊、图像亮度低及对比度低的影响, 在目标检测过程中存在目标漏检、误检等问题。基于YOLOX提出了特征增强的安全帽检测算法FEM-YOLOX。首先, 在主干网络使用软池化构建软空间金字塔池化模块(SSPPM), 减少了特征映射中的信息弥散, 并在下采样映射中保留了更多上下文信息; 其次, 设计基于高效通道注意力(ECA)机制的高效特征融合模块(EFFM), 加强了模型对目标区域特征的学习, 提高了特征融合的效率, 减少了模型误检情况的出现; 再次, 采用VariFocalLoss替代BCEWithlogitsLoss, 动态调整正负样本的权重, 使得模型关注数量较少的正样本, 加速了模型的收敛过程, 提升了两类目标的检测精度; 最后, 采用CIoU作为边框回归损失函数, 提高了模型定位目标预测框的精度。实验结果表明, 所提算法的均值平均精度(mAP)相较于基线算法提升了2.21百分点, 每秒处理的图像数量提升了7.67, 满足了低照度爆破现场安全帽实时检测的精度和速度需要。

来源：2025年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第3期