改进YOLOX算法的碳滑板缺陷检测方法

TP391.41; 针对碳滑板缺陷图像中存在大量密集小目标缺陷,容易出现误检及漏检的问题,基于YOLOX算法提出一种改进的YOLOX碳滑板缺陷检测算法.在主干网络中使用膨胀卷积,增大特征图的感受野,解决主干网络特征提取能力不足的问题;为了进一步降低损失,在YOLOX中构建新的连接并加入CBAM注意力模块,减少小目标缺陷漏检,检测能力也进一步提升;在颈部引入自适应特征融合网络ASFF,将不同尺度特征层进行融合,增强网络特征表达能力;用EIOU损失函数代替IOU损失函数,充分考虑了预测框和真实框纵横比对模型优化的影响,加快模型收敛速度的同时精度也有所提升.在自制碳滑板数据集上的实验结果表明,相比于...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 21; pp. 244 - 253
Main Authors 郑爱云, 蒋新宇, 刘伟民, 陈澍军, 郑直
Format Journal Article
LanguageChinese
Published 华北理工大学机械工程学院,河北唐山 063210%中车唐山机车车辆有限公司,河北唐山 064000 01.11.2024
Subjects
损失函数
注意力机制
loss function
defect detection
YOLOX
attention mechanism
小目标检测
small target detection
缺陷检测
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2308-0023

Cover

More Information
Summary:TP391.41; 针对碳滑板缺陷图像中存在大量密集小目标缺陷,容易出现误检及漏检的问题,基于YOLOX算法提出一种改进的YOLOX碳滑板缺陷检测算法.在主干网络中使用膨胀卷积,增大特征图的感受野,解决主干网络特征提取能力不足的问题;为了进一步降低损失,在YOLOX中构建新的连接并加入CBAM注意力模块,减少小目标缺陷漏检,检测能力也进一步提升;在颈部引入自适应特征融合网络ASFF,将不同尺度特征层进行融合,增强网络特征表达能力;用EIOU损失函数代替IOU损失函数,充分考虑了预测框和真实框纵横比对模型优化的影响,加快模型收敛速度的同时精度也有所提升.在自制碳滑板数据集上的实验结果表明,相比于原始YOLOX算法平均精确率提升4.89个百分点,对小目标识别率明显提升.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2308-0023