基于SwinT-YOLOX模型的自动扶梯行人安全检测算法

自动扶梯被广泛应用在公共场合,乘客摔倒事故如果不能被及时发现并处理,会造成严重的人身伤害,因此实现自动扶梯智能化监控管理势在必行。受自动扶梯运行环境复杂、行人多以及局部遮挡情况的影响,传统的人体姿态特征摔倒检测模型效果不佳且检测速度减慢。融合Swin Transformer和YOLOX目标检测算法的优秀策略,提出一种基于SwinT-YOLOX网络模型的自动扶梯行人摔倒检测算法。采用Swin Transformer模型作为骨干网络,颈部网络使用添加注意力机制的YOLOX模型,进一步提升特征图的多样性和表达能力。此外,利用漏斗修正线性单元视觉激活函数构建CBF模块,改进颈部网络和Head网络结构,从而获得更优的特征检测性能。实验结果表明,针对自建扶梯行人摔倒数据库和网络采集实际扶梯行人摔倒事故,与AlphaPose、OpenPose、YOLOv5等算法相比,该算法检测性能明显提高,行人摔倒平均检测精度可以达到95.92%,检测帧率为24.08帧/s,能够快速、精准地检测到乘客摔倒事故发生,监控管理平台立刻采取安全急停措施以保证乘客安全。

基于改进YOLOX模型的柑橘木虱检测方法

【目的】黄龙病被称为柑橘的“癌症”,是一种毁灭性病害,而木虱是黄龙病传播的主要媒介,对木虱的监测和精准消杀是防控黄龙病及抑制其传播的一种有效途径。【方法】传统方式消灭木虱主要是靠人工喷洒药物,人力成本高但防控效果并不理想。采用基于改进YOLOX的木虱边缘检测方法,在主干网络加入卷积注意力模块CBAM(Convolutional block attention module),在通道和空间两个维度对重要特征进行进一步提取;将目标损失中的交叉熵损失改为使用Focal Loss,进一步降低漏检率。【结果】本研究设计的算法契合木虱检测平台,木虱数据集拍摄于广东省湛江市廉江红橙园,深度适应农业农村实际发展需要,基于YOLOX模型对骨干网络和损失函数做出改进实现了更加优秀的柑橘木虱检测方法,在柑橘木虱数据集上获得85.66%的AP值,比原始模型提升2.70个百分点,检测精度比YOLOv3、YOLOv4-Tiny、YOLOv5-s模型分别高8.61、4.23、3.62个百分点,识别准确率大幅提升。【结论】改进的YOLOX模型可以更好地识别柑橘木虱,准确率得到提升,为后续实时检测平台打下了基础。

YOLOX-IM:一种无人机航拍视频的轻量化交通参数提取模型

在无人机航拍的过程中,背景更广阔,目标的尺寸更小,种类更复杂。提出一种基于YOLOX-s的轻量化无人机航拍目标检测算法YOLOX-IM。首先,为了提高该模型检测小目标的性能,通过使用切片辅助推理(slicing aided hyper inference,SAHI)算法以及坐标修正矩阵对训练集进行预处理和数据增强。然后,在路径聚合网络(path aggregation network,PAN)中引入一个浅层特征图以及超轻量级子空间注意模块,并添加一个检测头对小物体进行检测;最后,对边界回归的损失函数进行了优化。在VisDrone2019数据集的消融实验结果表明,所提出的模型检测精度与基础YOLOX-s相比高了8.13%;模型体积4.55 MB,相较于原模型下降67.14%。利用该模型在中国天津市渌水道进行实地交通监测的交通参数提取实验,在设定的场景中,当无人机航拍高度为50 m时,该模型的交通提取参数精度最高,达到96.14%。

基于YOLOX目标检测模型轻量级裁剪

卫星对目标的实时检测广泛应用于民用与军用领域,但星载平台的处理内存与计算能力普遍有限,对检测算法的要求更高,传统的目标检测算法难以满足需求。基于此,借鉴MobileNet v3网络模型的可分离卷积思想、逆残差结构思想、通道注意力机制轻量化裁剪YOLOX网络模型,同时基于可分离卷积结构裁剪优化模型的特征金字塔模块,降低模型参数量,提出一种嵌入式平台实时处理的目标检测算法。与原YOLOX相比,实验结果表明,在保证识别精度99.12%的前提下网络模型的参数量减少了20倍左右,改进后的轻量级网络模型在嵌入式平台上检测速度可达30帧/s,平均检测精度为92.54%,为实现嵌入式平台实时目标识别提供了理论支撑。

基于深度学习的沥青路面病害感知智能分析模型

近年来,我国高速公路网以每年数千公里的速度增长,高速公路的路面病害检测与养护工程已成为一大热点。然而,由于路面病害结构的复杂性与隐蔽性,现阶段的检测技术还存在速度慢、精度差、检测内容不全面、自动化程度低等问题,传统的检测技术难以适应当前道路建设的发展。三维探地雷达作为一种新型无损检测设备,兼顾无损、高效、精确、连续和数据处理简单的特点。基于此,为更加精准快速地检测沥青路面病害,掌握三维探地雷达的使用方法,本研究选取樟吉高速公路与昌金高速公路共约10km的路段作为试验路段,采用三维探地雷达进行检测,分析雷达检测图像与检测数据,并根据所获取的雷达数据建立YOLOX模型,提出一种基于YOLOX-ResNet50模型的路面病害识别方法。研究表明,根据三维探地雷达检测图像,可以很好地判别裂缝、修补、脱空、层间黏结不良和混合料离析五类病害。

基于新型特征增强与融合的雾天目标检测方法

为进一步提升深度学习网络对雾天场景下目标的检测精度,在YOLOX网络基础上,提出了基于新型特征增强与融合(novel feature enhancement and fusion, NFF)的雾天目标检测方法NFF-YOLOX。首先,在瓶颈结构中通过多支路卷积构建新型特征增强模块,该模块在保留基本信息特征的同时能够提取更多有效特征信息,增强目标特征的表征能力,提升网络对目标的特征提取能力;其次,利用双向金字塔自上而下和自下而上的网络特征构建新型特征融合模块,使目标的语义信息从深层特征流向浅层特征,充分融合和提取图像的细节特征,并在瓶颈结构的特征融合模块引入坐标注意力,模型在训练时能准确定位目标,减少目标特征信息的丢失;最后,考虑到正负样本可能存在不均衡的情况,将Focal loss与α-IOU结合构造一种新型损失函数,减少模型训练时的损失,缩短收敛时间,提升网络对雾天目标的识别率。实验结果表明:该方法与YOLOv7及DETR等6种先进目标检测网络相比,在真实雾天数据集RTTS上能够取得更高的雾天目标检测精度,当真实框与预测框的交并比(intersection over union, IOU)为0.5时,平均精度(mean average precision, mAP)提高了1.3%以上,当IOU从0.5到0.95且步长为0.05时,mAP提高了2.99%以上。

视觉联合交集下施工危险区域侵入行为动态感知方法

为解决行为险态识别脱离场景信息的问题,基于视觉联合交集,提出一种施工危险区域侵入行为动态感知方法。该方法以YOLOX模型为基础算法,引入轻量级Transformer,采用Mosaic数据增强方式,通过设计候选框联合交集(iou)将危险区域与工人行为状态关联,结合场景信息对工人行为险态进行理解。以临边作业为实验场景,在工人行为状态与危险区域位置关系精准识别的基础上,实现施工危险区域侵入行为的动态监控,改进后的YOLOX模型在每秒处理图像帧数降低1.33的情况下平均精度提高3.01%。实地测试结果表明:检测类别识别的平均精度均高于91.5%,iou准确率均为100%,可为施工场景内工人行为险态的实时感知提供参考,具有实效性与可推广性。

面向DCL-32型捣固车的自动捣固控制技术及其运用

随着我国铁路行业跨越式发展,铁路的运行速度及密度逐步提高,大型养路捣固机械得到了更广泛的应用。传统人工作业捣固车对操作人员要求高,工作强度大。文章以实现减轻人工作业强度、保障现场施工效率为目标,在不改变原车功能和机械结构的基础上,以DCL-32型捣固车为模板,提出了一种智能化自动捣固系统设计方案,重点分析其中铁路轨道轨枕的检测及定位下镐问题。该方案采用YOLOX模型进行图像检测,将识别出的结果与激光测距传感器输出里程相校核,快速、准确地完成轨道轨枕的检测;并基于卫星小车作业期间制动距离历史数据,拟合了制动关系曲线,对实际定位下镐点位进行预测。现场样机装车实验结果表明,单、双捣模式下,自动捣固作业速度与人工作业速度持平。该自动捣固系统控制方案试用效果良好,为后续的产品推广奠定了基础。