改进YOLOX的夜间安全帽检测算法

作者：韩贵金; 王瑞萱; 徐午言; 李君

来源：计算机工程与应用, 2023, 1-10.

• 夜间目标检测
• 安全帽检测
• 感受野
• 通道注意力
• 损失函数

安全帽检测是保障建筑施工现场安全的一个有效手段。为保证暗光条件下图像分辨度，塔机吊钩摄像头夜间经常需采集灰度图像。此外，由于摄像头晃动和人员走动，安全帽目标区域还经常会出现模糊现象。为解决模糊灰度图像中目标特征丢失所导致的检测精度下降问题，以YOLOX作为基准模型，提出一种用于夜间安全帽检测的特征增强和回归权重自适应YOLOX（Feature enhancement and regression weight adaptive，FERWA-YOLOX）算法。算法在输入层增加了融合不同大小感受野的多尺度残差（Multi-scale residuals，MSR）模块，在同层网络中融合更多局部特征，降低目标局部模糊带来的影响；在解耦头的分类分支增加并行池化通道注意力（Parallel pooling channel attention，PPCA）模块，弥补因目标颜色特征丢失所导致的网络分类能力的下降；设计了一种带双惩罚项的损失函数 (Double Penalty Items-Siou，DPI-Siou)，自适应的降低形状固定目标的形状损失和模糊目标在回归时的权重，提高网络的检测精度。实验结果表明，FERWA-YOLOX较原YOLOX算法，mAP提升了4.88%，参数量仅提升0.5MB，且满足夜间实时检测需求。

• 出版日期2023
• 单位西安邮电大学