基于轻量化HPG−YOLOX−S模型的煤矸石图像精准识别

针对现有基于视觉技术的煤矸石分选方法存在模型参数量大、特征提取能力差、识别精度低等问题,提出了一种基于轻量化Ghost−S网络与混合并联注意力模块(HPAM)YOLOX−S模型(HPG−YOLOX−S模型)的煤矸石识别方法。首先,在YOLOX−S模型主干网络中加入HPAM,以增强图像中重要信息,抑制次要信息,加强主干网络的特征提取能力。其次,将YOLOX−S模型主干网络替换为参数量更小的Ghost−S网络,提高利用率与特征融合能力。最后,在预测层中采用SIOU损失函数来替换YOLOX−S模型的损失函数,提升检测与定位精度,加强对目标的提取能力。为验证所提方法对大块煤矸石的检测效果,将HPG−YOLOX−S模型与YOLOX−S模型进行对比,结果表明,HPG−YOLOX−S模型对煤与矸石的识别准确率分别为99.53%和99.60%,较YOLOX−S模型识别准确率分别提高了2.51%,1.27%。有效性验证结果表明,HPG−YOLOX−S模型的精确率、召回率和F1值均在94%以上,较YOLOX−S模型分别提高了5.68%,3.51%,2.91%;HPG−YOLOX−S模型的参数为7.8 MB,较YOLOX−S模型降低了1.2 MB。消融试验结果表明,HPG−YOLOX−S模型的平均精度均值较YOLOX−S模型提高了9.17%。热力图可视化试验结果表明,HPG−YOLOX−S模型关注煤与矸石的纹理和轮廓等表面差异,对煤矸石目标的全局关注度更加显著。

基于改进YOLOX-S的轻量化煤矸石检测方法研究

目的 为了探索基于现有机器视觉煤矸石检测方法的模型参数量、计算量对检测速度和嵌入式设备的影响,方法 提出一种基于改进的无锚框YOLOX-S轻量化煤矸石检测模型。为使模型能提取更真实的煤矸石特征信息,收集分选现场煤矸石样本,保证实际环境下的煤矸石检测效果,适应实际生产环境。结合CSPNet,将输入的特征图分割成两个分支,实现更丰富的梯度组合,同时减少模型计算量;之后在其中一条分支使用Ghost轻量化卷积,通过少量常规卷积生成一组特征图,达到初次减少计算量和参数量的效果,然后在此特征图基础上经过简单线性变化操作,生成一组新的特征图,将两组特征图进行融合,降低对计算资源需求的同时,也达到了常规卷积相同的特征提取效果;引入LeakyReLU激活函数减弱模型梯度消失的影响,提取更深更多的特征信息;最后融合两个分支特征,保证较高的检测精度,提升模型检测速度。采用CIOU Loss(complete IOU loss)优化目标边界框回归损失函数,使模型回归损失收敛更快,提高模型目标定位能力。结果 与原模型相比,本文改进模型在保证较高的平均精度均值90.51%情况下,模型参数减少47%,计算量减少49%,检测速度达到50帧/s。结论 轻量化煤矸石检测模型使智能化煤矸石检测在实际生产环境中具有一定的应用前景。

基于轻量化YOLOX-S与多阈值分割的矿山遥感图像去噪算法

矿山遥感图像普遍存在大量的噪点,给后续图像分析和处理带来了很大困难。提出了一种基于轻量化目标检测模型YOLOX-S和多阈值分割的矿山遥感图像去噪算法。首先使用YOLOX-S模型对矿山遥感图像进行目标检测,得到矿山目标的位置信息。然后针对矿山目标的特点,设计了一种多阈值分割方法消除图像中的噪声点。通过将图像分为若干个子区域,并对每个子区域采用不同的阈值进行二值化处理,最终将各子区域的二值化结果合并得到去噪后的图像。试验结果表明:该算法能够有效地去除矿山遥感图像中的噪声点,并且在保留目标特征的同时,大幅提升了图像质量。此外,由于采用了轻量化模型和多阈值分割算法,使得该算法具有较快的处理速度和较低的计算成本,适用于大规模图像数据的处理任务。

基于改进YOLOX-S的苹果成熟度检测方法

准确检测果园中未成熟与成熟的苹果对果园早期作物的负荷管理至关重要,提出一种能够实时检测苹果成熟度,并估算出整棵果树果实数量的方法。为提高YOLOX-S网络在复杂场景下的检测能力,在FPN(特征金字塔)的残差连接处增加了CoordinateAttention(位置注意力);为更好地检测图像中生长密集、存在遮挡、尺寸较小的苹果,将位置损失函数IoU_Loss更换为CIoU_Loss。试验结果表明,所提出的改进YOLOX-S检测算法相较于原算法,mAP值提高约1.97%,苹果低成熟度、中等成熟度和高等成熟度的AP值分别为90.85%、95.10%和80.50%。

改进YOLOX-s的密集垃圾检测方法

针对密集堆放的多种类垃圾检测存在识别率低、定位不够准确和待测目标被误检、漏检问题,提出了一种融合多头自注意力机制改进YOLOX-s的垃圾检测方法。在特征提取网络嵌入SwinTransformer模块,引入基于滑窗操作的多头自注意力机制,使得网络兼顾全局特征信息和重点特征信息,减少误检现象;在预测输出网络中使用可变形卷积,对初始预测框进行精细化处理,提高定位精度;在EIoU损失的基础上引入加权系数,提出加权IoU-EIoU损失,自适应调整训练时不同阶段不同损失的关注程度,进一步加快训练网络的收敛速度。在公开204类垃圾检测数据集中进行测试,结果表明,所提改进算法的平均精度均值分别可达80.5%和92.5%,优于当前流行目标检测算法,且检测速度快,满足实时性需求。

YOLOX-S声光信息融合目标识别算法

针对现代战场单一探测手段的局限性和单模态目标识别存在信息不全面、易受噪声干扰等缺点,提出一种融合声光两种模态的目标识别方法。该方法利用深度卷积残差网络对声纹信息的对数梅尔频谱系数特征进行提取,使用YOLOX-S网络对目标进行光学特征提取,并计算目标的像空间位置与类别信息,然后在YOLOX-S模型预测部分的解耦头中引入用于处理声音特征的支路,将目标的光学特性与声学特性在YOLOX-S检测头分类支路上进行空间归一化,使视觉数据与声纹数据在同一可拼接域上进行映射与融合,对目标的声光融合特征进行识别推理。在自建数据集上进行验证,实验结果表明声纹信息和图像信息融合可以提供更全面的感知能力,使得目标的检测和识别更加准确和可靠。

基于改进YOLOX-s算法的航天太阳电池缺陷检测

针对航天太阳电池表面缺陷检测问题,提出基于机器视觉与深度学习的缺陷检测方法。通过航天太阳电池缺陷检测系统获取图像,并依据企业电池片缺陷的分类标准构建航天太阳电池缺陷数据集。采用切片技术获取包含缺陷目标的子图像数据集,解决卷积和下采样操作信息丢失而导致召回率低的问题。针对不同缺陷采取适当的图像增强方式进行扩充数据集,以避免训练过程中因数据集不足导致的过拟合问题。采用深度可分离卷积、优化损失函数、双线性插值上采样及引入注意力机制等方法对YOLOX-s算法进行改进,以获得综合效果最佳的航天太阳电池缺陷检测模型。通过不同数据集训练及检测精度指标对比,以及消融实验验证改进模型的有效性。通过改进模型与同类主流模型对比实验,验证改进模型在航天太阳电池缺陷检测方面的优越性。

改进YOLOX-S的偏光片表面缺陷检测算法

偏光片是液晶显示器的重要组成部分,其表面缺陷不仅会降低液晶显示器的显示质量,甚至可能造成整个液晶面板的报废。针对偏光片表面缺陷存在尺度差异大、形状变化多样的问题,提出一种改进YOLOX-S的偏光片表面缺陷检测算法。提出自适应平衡特征金字塔(ABFP)模块充分融合主干网提取的多级特征,并通过单个卷积增加检测分支,进一步增强模型的多尺度检测能力。在ABFP中引入注意力模块CBAM关注重要特征。采用CIo U损失函数的同时使用Mish激活函数替代Si LU激活函数。实验结果表明,改进的算法在偏光片表面缺陷数据集上的m AP_(50)和m AP_(50:95)分别达到92.97%和55.16%,相比YOLOX-S(FPN)提升了1.86和1.34个百分点,每秒检测帧数(FPS)达到50,基本满足工业实时检测的需求。

基于改进YOLOX-s的风机叶片表面缺陷检测

提出一种改进YOLOX-s的缺陷检测方法。主要工作包括以下3个方面:第一,通过Imgaug数据增强策略重新构建了风机叶片缺陷数据集,弥补真实场景下的数据量不足;第二,采用模型压缩策略,对骨干网络的部分模块进行删减,并引入深度可分离卷积,提升模型的推理速度,重构CBS卷积块为DSCBM模块,用于稳定网络性能;第三,引入GiraffeNeck融合机制和CA坐标注意力机制,提高模型对不同尺度特征的融合能力以及对缺陷目标的检测能力,对Head层进行改进,删减部分冗余的卷积块,进一步提升检测速度。实验结果表明,与YOLOX-s模型相比,mAP值提升2.6%,检测速度提高39帧/s。

基于改进YOLOX-S的足球比赛视频目标检测方法

为了提升足球赛事水平,催生出足球新战术,识别足球巨星梅西和足球的位置,为进一步的跟踪提供良好的基础,提出了一种基于改进YOLOX-S的足球赛事目标检测方法.使用Pseudo-IoU度量,改进了YOLOX-S中的正样本初步筛选机制,将更标准化和准确的分配规则引入到YOLOX-S无锚检测框架.在损失函数中使用了Focal Loss,以平衡难易样本.实验结果表明,相较于YOLOX-S模型,所提模型具有更好的综合表现,足球类别平均精度为79.8%,梅西类别平均精度为72.6%,平均精度均值为76.2%.

改进YOLOX-S实时多尺度交通标志检测算法

交通标志检测对于无人驾驶系统来说是一项具有挑战性的任务。针对交通标志检测过程中,目标小、受背景环境影响等难点,提出一种基于改进YOLOX-S的算法。设计ResNet50-vd-dcn替换原YOLOX-S中的CSPDarknet53主干网络,使用ResNet-D结合可变性卷积,减少了模型的计算量同时也保证了网络的学习能力。提出增强特征图模块,该模块利用特征图连接流和注意力机制流来减少特征图生成过程中的信息丢失,进而提高模型的表示能力。提出一种三通道加权双向特征金字塔网络替换原有特征金字塔结构,可以有效加强特征融合,提高多尺度目标识别能力。为增加模型对正样本的学习,在后处理阶段引入Focal Loss损失函数。实验结果表明,与原YOLOX-S算法相比,在TT100K数据集上小目标精度、小目标召回率以及mAP分别提升了2.8、4.1、2.1个百分点,同时检测速度快了2.3 FPS。在CCTSDB数据上mAP提升了1.1个百分点,检测速度为120 FPS,满足实时检测的要求。

基于改进YOLOX-s的安全帽检测

在施工现场中,发生过许多高空坠落事故,因此在施工现场佩戴安全帽是十分有必要的.针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况,提出一种基于YOLOX-s的改进算法.首先,在Neck层引入主干特征提取网络中的160×160特征层进行特征融合,并且增加了一个针对小目标的检测头;其次,采用SIoU损失函数计算损失值,使得网络在训练过程中考虑的损失项更加全面;并且采用varifocal loss函数来计算置信度损失值,进一步改善训练过程中存在的正样本与困难样本不均衡的问题,最后,采用CA(coordinate attention)注意力机制来增强模型的特征表达能力.实验结果表明,通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制,使得网络在训练过程中收敛与回归性能更佳.改进后的算法的mAP值为95.57%,相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%.改进后的算法检测速度为54.73帧/s,符合实时检测速度要求.

改进YOLOX-S模型的施工场景目标检测

现有YOLOX-S模型在施工环境干扰下目标检测平均精准率(AP)偏低,不能较好满足实际应用需要。针对上述问题,从引入结构重参数化模块、引入卷积注意力模块、引入AdamW优化算法三方面对YOLOX-S模型进行改进。首先,利用RepVGGBlock解耦训练阶段与测试阶段的模型结构,在训练阶段模型的Backbone与Neck中构建更多残差结构,提高模型的特征提取能力。其次,利用LKA模块提取局部特征信息与长距离依赖关系,为后续计算目标边界框位置与大小提供更加有效的注意力指引,提升检测平均精准率。然后,使用AdamW优化算法替代Adam优化算法更新模型参数,进一步改良模型收敛结果,提升模型泛化能力。最后,在建筑工地运动目标数据集(MOCS)上进行实验,结果表明,改进YOLOX-S模型检测所有目标的平均精准率提升3.3个百分点,检测大目标、中目标、小目标的平均精准率分别提升3.2、2.3、2.2个百分点。同时,改进YOLOX-S模型计算代价未明显增加,可在实时运行的同时更好满足施工场景下对目标检测平均精准率的需要。

基于改进YOLOX-s的轻量级型钢表面缺陷检测算法

单阶段目标检测网络特征融合性能不足,且型钢生产现场计算资源受限,导致型钢表面缺陷检测精度较低。针对上述问题,提出一种改进YOLOX-s的轻量级型钢表面缺陷检测算法。首先,提出一种轻量级双路并行注意力模块并将该模块引入YOLOX-s,以提高网络对缺陷特征的敏感度和提升有效特征的提取效率;其次,在Neck中构建双向特征金字塔网络(BiFPN)加权特征融合路径,促进浅层细节特征与深层语义特征的交互融合,强化网络特征融合能力,并在网络中引入深度可分离卷积(DSC)对模型进行轻量化处理;最后,将模型的边界框回归损失函数替换为完全交并比(CIoU)损失,加快模型收敛,提升预测框的定位精度。在NEU-DET数据集上的实验结果表明,所提算法的平均精度均值(mAP)达到了74.6%,比原始YOLOX-s提升了4.8个百分点,推理帧率达到75.2 frame/s,能够满足实时性检测的需求;生产现场采集的型钢数据集进一步验证了所提算法的可行性。

基于改进YOLOX-S的交通标志识别

交通标志是车辆在规范行驶过程中的一个重要指导,交通标志识别是无人驾驶汽车环境感知中必不可少的重要内容。本文基于YOLOX-S算法进行改进,通过在主干网络末端添加CBAM注意力机制模块,强化特征提取网络所得到的特征;使用Focal Loss函数,更好地消除正负样本不均衡问题,挖掘难例样本;使用GIOU损失函数,解决了原损失函数存在的优化不一致和尺度敏感的问题,进一步提高模型的识别准确率。本文基于TT100K数据集对提出算法进行了实验,对比了几种主流算法与本文算法的识别精度,实验结果表明在具有较高FPS的前提下,本文算法对大部分目标类别的检测精度都有所提升。相较于YOLOX-S模型,所提模型的coco精度评价指标mAP_50提升1.9%,mAP_50:95提升2.1%,FPS为35.6。证明了所做改进的有效性。

基于YOLOX-S的车窗状态识别算法

通过对YOLOX-S模型引入可变形卷积神经网络和焦点损失函数(Focal loss),解决原YOLOX-S模型车窗识别准确率较低的问题.首先,通过在YO LOX-S模型的主干特征提取网络中引入可变形卷积神经网络,对卷积核中的各采样点引入偏移量,以便在原始图像中提取到更具有表征的信息,从而提高车窗识别的精准度;其次,使用Focal loss替代原模型中的二元交叉熵损失函数,Focal loss能缓解正负样本不平衡对训练的影响,其在训练过程中更关注难样本,从而提高了模型对车窗目标的识别性能;最后,为验证改进算法的性能,实验收集并标注15627张图片进行训练和验证.实验结果表明,改进后的车窗识别算法的平均目标精度提高了3.88%.

基于YOLOX-s的农业害虫检测研究

针对现有目标检测算法难以应对现代农业环境下多种类害虫高精度检测的问题,提出了一种基于Swin-Transformer和YOLOX-s改进的ST-YOLOX-s目标检测模型,实现对30类常见害虫的有效目标检测工作。为解决YOLOX-s模型对小型目标害虫检测效果不佳的问题,在YOLOX-s模型基础上添加P2特征尺度,提升模型对小型目标害虫的检测能力;为弥补卷积神经网络对通道信息关注薄弱的问题,将高效通道注意力模块添加到YOLOX-s的CSPLayer,强化卷积神经网络的特征提取能力;为探索高效自注意力机制下的模型全局特征学习能力,将添加图属性的层次化Swin-Transformer结合到网络模型,弥补卷积神经网络忽视全局特征的问题;最后通过α-CIoU回归定位损失来实现高精度检测定位。实验表明,ST-YOLOX-s在多种类害虫检测上具有更好的检测性能,最终AP50以及AP50-95检测结果分别达到92.27%和67.32%,相比较YOLOX-s模型检测精度分别提高了2.01%和1.91%。同时ST-YOLOX-s检测模型与其他主流模型相比检测精度也有显著优势。

基于改进YOLOX的自然环境下核桃识别算法研究

针对现有目标检测算法对自然环境下核桃识别存在漏检、误检等问题,提出了一种基于Swin Transformer多层特征融合改进的YOLOX-S核桃识别算法。首先,在主干特征提取网络中引入基于Swin Transformer的多层特征融合模块,借助Swin Transformer的多头注意力机制对小目标的特征信息进行提取并与特征图进行融合,可以有效解决因网络层数加深导致的高层特征图中小目标特征信息丢失问题;其次,为了提高算法的检测精度,引入更高效的Repblock模块对原网络中的CSP模块进行替换;最后,为了提高下采样效果,使用更为优秀的Transition Block模块作为主干特征提取网络的下采样模块。结果表明,改进后的YOLOX-S模型在采集的自然环境下核桃数据集上平均精度AP50达到96.72%,分别比Faster-RCNN、YOLOv5-S、YOLOX-S算法提高7.36、1.38、0.62百分点,检测速度达到46 f/s,模型参数大小为20.55 M。改进后的YOLOX-S算法具有更好的精度,改善了漏检和误检问题,对自然环境下的核桃有更好的识别效果。

改进YOLOX-S算法的安全帽和口罩检测

针对建筑工地等危险场景下需要对相关人员佩戴安全帽和口罩进行检测,提出基于改进YOLOX-S算法对安全帽和口罩小目标进行同时、实时检测.首先,在YOLOX-S中CSPLayer结构引入ECA注意力机制,引导模型更加关注小目标信息的通道特征,增强模型对有用特征的利用能力;其次,在主干特征提取网络的三个特征层后添加ConvNext Block模块,增强模型对有用特征的利用能力;最后,在加强特征提取网络中引入BiFPN的加权特征融合机制,将原来concat变为BiFPN_concat,增加了对每个输入特征添加可学习的权值,来学习不同输入特征的重要性,区分特征融合过程中不同特征的重要程度,更好关注待检测的目标信息.实验结果表明,改进后算法的mAP为93.2%,比原始YOLOX-S算法平均精确度提升了3.1%.

基于改进YOLOX-S算法的焊缝特征点提取方法研究

在使用机器人进行焊接的过程中,常常会出现一些问题,例如面对加工误差、热变形等引起的复杂环境状况,必须采用焊缝跟踪技术来辅助机器人进行焊接工作。传统的数字图像处理技术目前广泛应用于焊缝跟踪,不过在工业领域中,常常出现的特征变化和电弧噪声等问题对焊缝特征提取算法提出了更高的要求。为了解决焊缝特征提取的抗干扰和自适应性问题,文中将基于深度学习的目标提取方法应用于焊缝检测,提出了一种基于改进YOLOX-S的焊缝特征点提取方法。在YOLOX-S算法的特征金字塔中每个上采样和下采样之后使用注意力机制,使模型更多关注焊缝特征点特征信息,从而减少检测误差。该方法能克服强弧光的干扰,满足复杂焊接过程对精度和实时性的要求。将YOLOX-S算法中卷积层之后的批标准化改为群组归一化,可以解决批量较小引起的误差增加的问题。实验结果表明了该算法的可行性。