基于改进YOLOX-m的安全帽佩戴检测

作者：王晓龙; 江波

来源：计算机工程, 2023, 49(12): 252-261.

DOI：10.19678/j.issn.1000-3428.0067820

• 安全帽佩戴检测
• 深度学习
• 残差化重参视觉几何组
• 快速空间金字塔池化
• 多阶段网络训练策略

安全帽佩戴检测是安全监控系统中的重要组成部分，其检测精度取决于目标分类、小目标检测、域迁移差异等因素。针对现有基于YOLOX-m模型的安全帽佩戴检测算法通常存在分类精度较低、检测目标不完整、轻量化模型性能下降等问题，构建一种基于多阶段网络训练策略的改进YOLOX-m模型。首先对YOLOX-m主干特征网络卷积块的堆叠次数进行重新设计，在减小网络规模的同时最大化模型性能，然后将残差化重参视觉几何组与快速空间金字塔池化相结合，提高检测精度和推理速度。设计一种多阶段网络训练策略，将训练集和测试集拆分成多个组，并结合推理阶段生成的伪标签进行多次网络训练，以减少域迁移差异，获得更高的检测精度。实验结果表明，与YOLOX-m模型相比，改进YOLOX-m模型的推理延迟降低了5 ms，模型大小减少了4.7 MB，检测精度提高了1.26个百分点。

• 单位
  中国电子科技集团公司第三十二研究所