中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

Lightweight object detection algorithm based on YOLOX and its application

CHAI Weizhen， WANG Chaoli， SUN Zhanquan （School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract： Object detection algorithms are widely used in the field of production safety. To address the problems of slow detection speed and low detection accuracy in complex construction environments， an improved YOLOX detection algorithm was proposed. First， based on the lightweight convolution module Ghost moudle， the backbone network was reconstructed to compress the model parameters and computational complexity， thereby improving detection speed. Second， embedding the coordinate attention mechanism at the output of the backbone network to enhance the model's ability to learn key position information. Finally， recursive gated convolution was introduced into the neck network to enhance the model's spatial position perception ability and capture long-range dependencies in the image. The improved model are experimentally validated on the Pascal VOC and SHWD datasets， comparing with the baseline model， mean average precision increase by 1.69% and 1.1% respectively， model parameter count decrease by 18.8% ， computational load decrease by 23.3% ， and frame rate increase by 7.6% . Deploying the purposed model on terminal devices can be applied to real-time monitoring and detection in construction environments.

Keywords： object detection; lightweight; coordinate attention; recursive gated convolution

目標(biāo)檢測(cè)算法在生產(chǎn)安全領(lǐng)域應(yīng)用廣泛，它可以代替?zhèn)鹘y(tǒng)的人工監(jiān)督方法，節(jié)約人力物力。在智慧工地建設(shè)中，將目標(biāo)檢測(cè)算法應(yīng)用于工人安全帽佩戴檢測(cè)，可以有效保障復(fù)雜施工環(huán)境下工人的生命安全。但在實(shí)際應(yīng)用場(chǎng)景中，對(duì)算法的實(shí)時(shí)性和檢測(cè)精度都有較高的要求。

傳統(tǒng)的目標(biāo)檢測(cè)方法需要人工設(shè)計(jì)圖像特征提取算子再進(jìn)行檢測(cè)，代表算法有HOG[1和DPM[2]，這種方法過程繁瑣，模型通用性和魯棒性較差，檢測(cè)準(zhǔn)確率較低。深度學(xué)習(xí)方法不用人為設(shè)置圖像特征，可以根據(jù)圖像本身學(xué)習(xí)其內(nèi)在的屬性，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法已被廣泛應(yīng)用于生產(chǎn)安全領(lǐng)域，例如安全帽檢測(cè)、人臉識(shí)別、火焰檢測(cè)等。目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可大致分為2類：一類是兩階段（two-stage）目標(biāo)檢測(cè)算法，其代表有Fast R-CNN[3]、Faster R-CNN[4]；另一類是單階段（one-stage）的目標(biāo)檢測(cè)算法，其代表有YOLO[5]、SSD和ATSS[等。兩階段檢測(cè)算法的思路，是將可能存在物體的區(qū)域視為候選區(qū)域（region proposal），在此候選區(qū)域的基礎(chǔ)上完成分類和回歸任務(wù)。這種方法的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、計(jì)算量大，檢測(cè)速度與單階段檢測(cè)算法差距很大，不能滿足安全帽檢測(cè)這一實(shí)時(shí)應(yīng)用場(chǎng)景的需求。而在單階段的檢測(cè)算法中，省去了候選區(qū)域的提取工作，經(jīng)過單階段的網(wǎng)絡(luò)直接完成分類和回歸任務(wù)，因此其檢測(cè)速度大大提高，可以滿足實(shí)時(shí)檢測(cè)應(yīng)用場(chǎng)景的需求。在單階段檢測(cè)算法中，YOLO系列檢測(cè)方法既可以保持較高的精度，又有很快的檢測(cè)速度，因此在安全帽檢測(cè)中應(yīng)用最為廣泛。張業(yè)寶等在SSD的基礎(chǔ)上，采用 VGGl6^[9] 預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)，加速訓(xùn)練過程，提高了檢測(cè)速度和檢測(cè)精度。謝國(guó)波等[10]在 YOLOv4^[11] 的基礎(chǔ)上，融合通道注意力機(jī)制、增加特征尺度，改善了算法的檢測(cè)精度，但檢測(cè)速度和精度還顯不足，主要原因是YOLOv4使用的是DarkNet-53主干網(wǎng)絡(luò)。呂宗喆等[12]在YOLOv5的基礎(chǔ)上，對(duì)邊界框損失函數(shù)和置信度損失函數(shù)進(jìn)行優(yōu)化，改善了對(duì)密集小目標(biāo)特征的學(xué)習(xí)效果。

YOLOv3[13]是YOLO系列的集大成者，但其需要人工設(shè)計(jì)檢測(cè)框的大小。在FCOS[14]中，作者將特征圖像素坐標(biāo)映射回到原圖，通過1個(gè)解耦頭直接完成分類和回歸任務(wù)，省去了復(fù)雜的錨框設(shè)計(jì)。Ge等[15借鑒了FCOS的解耦頭設(shè)計(jì)，在YOLOv3的基礎(chǔ)上改進(jìn)得到Y(jié)OLOX。該算法引入SimOTA標(biāo)簽分配策略篩選正樣本、加快網(wǎng)絡(luò)推理速度，采用無錨框檢測(cè)思路省去了復(fù)雜的錨框設(shè)計(jì)、節(jié)省了計(jì)算資源，并且采用解耦頭分別預(yù)測(cè)回歸任務(wù)和分類任務(wù)，提高了檢測(cè)精度。YOLOX在保證高檢測(cè)精度的前提下，檢測(cè)速度快、模型參數(shù)量小、部署簡(jiǎn)便，非常適用于實(shí)際場(chǎng)景中的實(shí)時(shí)檢測(cè)。本文在YOLOX的基礎(chǔ)上，對(duì)算法繼續(xù)進(jìn)行改進(jìn)，進(jìn)一步提升網(wǎng)絡(luò)的檢測(cè)精度和檢測(cè)速度，主要工作為：

a.在主干網(wǎng)絡(luò)中引入了輕量化卷積模組Ghostmoudle[16]，構(gòu)建了新的主干網(wǎng)絡(luò)G-Backbone，在保證檢測(cè)精度幾乎沒有損失的前提下，大大壓縮了模型參數(shù)量和計(jì)算量，提高了檢測(cè)速度。

b.在主干網(wǎng)絡(luò)的輸出端融入了坐標(biāo)注意力（coordinate attention，CA）機(jī)制[17]，有效解決了安全帽檢測(cè)中復(fù)雜背景帶來的特征提取困難的問題，減少了關(guān)鍵特征信息的損失，同時(shí)還能學(xué)習(xí)到空間位置信息，有助于模型快速定位與識(shí)別。

c.提出了基于遞歸門控卷積模組 gⁿConv^[18] 的特征提取模塊g-CSP，將其融入到頸部網(wǎng)絡(luò)中構(gòu)建了新的頸部網(wǎng)絡(luò)g-Neck，增強(qiáng)了網(wǎng)絡(luò)的空間位置感知能力，改善了多目標(biāo)的檢測(cè)，且在 gⁿConv 中還采用了 7×7 的大卷積核，有利于擴(kuò)大網(wǎng)絡(luò)的感受野，捕獲長(zhǎng)距離依賴關(guān)系。

YOLOX目標(biāo)檢測(cè)算法

YOLOX的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其主體結(jié)構(gòu)由主干網(wǎng)絡(luò)（backbone）、頸部網(wǎng)絡(luò)（neck）、檢測(cè)頭（head）3部分構(gòu)成。在輸入端，使用Mosaic和Mixup數(shù)據(jù)增強(qiáng)策略提高數(shù)據(jù)的豐富性，緩解因數(shù)據(jù)不足而造成的網(wǎng)絡(luò)過擬合現(xiàn)象；主干網(wǎng)絡(luò)為Darknet-53，用于初步提取圖像特征，主體結(jié)構(gòu)為Focus和CSP組件。Focus的操作過程如圖2所示，具體為在輸入圖片上隔像素取值，以進(jìn)行下采樣，采樣得到的特征圖通道數(shù)變?yōu)樵瓉淼?倍，最后再經(jīng)過1個(gè) 3×3 卷積提取特征。Focus操作可以把原來單通道上的信息拓展到通道空間上，并且減少了下采樣過程中的信息丟失。CSP組件為融合了殘差塊的全卷積特征提取模塊，在主干網(wǎng)絡(luò)中，通過多次堆疊特征提取模塊，可以加深網(wǎng)絡(luò)層數(shù)，擴(kuò)大網(wǎng)絡(luò)感受野，提取深層次的圖像信息。輸入圖像經(jīng)過主干網(wǎng)絡(luò)后，分別輸出3個(gè)不同尺度的特征圖，隨后進(jìn)入路徑聚合特征金字塔網(wǎng)絡(luò)（pathaggregation-featurepyramidnetwork，PA-FPN）中進(jìn)行多尺度的特征融合。首先，在特征金字塔網(wǎng)絡(luò)（featurepyramidnetwork，F(xiàn)PN）中采用自頂向下的方式，將深層信息上采樣后與淺層信息融合；其次，在路徑聚合網(wǎng)絡(luò)（pathaggregationnetwork，PAN）中則采用自底向上的方式，將淺層信息下采樣后與深層信息融合，融合過后依然得到3個(gè)不同尺度的特征圖，這3個(gè)尺度的特征圖分別對(duì)應(yīng)著不同大小的感受野并用于檢測(cè)不同大小的物體；最終，將頸部網(wǎng)絡(luò)輸出的特征再輸入到圖3所示的解耦頭中，在解耦頭中將特征信息解耦，分為兩條支路，分別負(fù)責(zé)預(yù)測(cè)分類任務(wù)和回歸任務(wù)，預(yù)測(cè)結(jié)果包含分類分?jǐn)?shù)、位置參數(shù)和置信度3部分。

2 模型改進(jìn)

2.1 輕量化主干網(wǎng)絡(luò)G-backbone

常規(guī)卷積如圖4所示，對(duì)于輸入數(shù)據(jù)X∈R^c×h×w ，c、h、w分別表示輸入特征圖的通道數(shù)、高和寬，常規(guī)卷積操作如下：

Y=X*f+b

式中：*表示卷積操作；b為偏置項(xiàng)；Y∈Rxh′xw為輸出特征圖，n'、h、 w 分別表示輸出特征圖的通道數(shù)、高和寬； f∈R^c×k×k×n 為卷積操作， k×k 為卷積核大小， n 為卷積核個(gè)數(shù)。

常規(guī)卷積操作的輸出特征圖中往往包含很多相似的冗余信息，為壓縮模型參數(shù)量，提高網(wǎng)絡(luò)的檢測(cè)速度，本文引入了圖5所示的輕量化卷積Ghostmoudle重建主干網(wǎng)絡(luò)。Ghostmoudle先通過常規(guī)卷積操作，輸出m層初始特征圖Y∈ Rmxh'xw

如式（2）所示：

Y^'=X*f^'

式中， f^'∈R^c×k×k×m 為卷積操作且 m?n 。再將其通過一系列廉價(jià)的線性變換操作，得到相似的 （n-m） 層特征圖，如式（3）所示：

y_ij=Φ_i，j（y_i'），?i=1，…，mj=1，…，s

式中：y代表通過線性變換得到的 （n-m） 層相似特征圖， s=n/m 為擴(kuò)充的倍數(shù)； Φ 為線性變換，其具體實(shí)現(xiàn)為卷積核大小為 d×d 的深度可分離卷積。最后，把初始特征圖 Y^′ 恒等映射后的結(jié)果和線性變換后的結(jié)果y拼接作為最終的輸出特征圖。

K_conv=cnk²h^'w^'

考慮到 d≈k 以及 s?c ，常規(guī)卷積與Ghostmoudle的計(jì)算量之比為

由此可見，常規(guī)卷積的計(jì)算量是Ghostmoudle的 s 倍。因此，通過Ghostmoudle重新構(gòu)建主干網(wǎng)絡(luò)，可以達(dá)到減少計(jì)算量、加速計(jì)算的目的，本文中 s 取2。

基于Ghostmodule構(gòu)建的特征提取模塊Ghostbottleneck的結(jié)構(gòu)如圖6所示。當(dāng)步長(zhǎng)stride ：=1 時(shí)，Ghostbottleneck由2個(gè)Ghost moudle構(gòu)成，輸入輸出維度相同。當(dāng)stride σ=2σ 時(shí)，Ghost bottleneck由2個(gè)Ghostmoudle和1個(gè)深度可分離卷積塊組成，殘差連接部分加入卷積操作降維，在第一個(gè)Ghostmoudle后，同樣采用深度可分離卷積降維。此時(shí)，模塊除了可以進(jìn)行特征提取，還兼具下采樣的功能?；贕hostbottleneck重構(gòu)的主干網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，將原網(wǎng)絡(luò)的CBS和CSP模塊替換為更加輕量的Ghostbottleneck，考慮到輕量化網(wǎng)絡(luò)可能會(huì)帶來信息的丟失問題，在主干網(wǎng)絡(luò)中嵌入SE（squeeze-and-excitation）[19]模塊，增強(qiáng)關(guān)鍵特征，提高主干網(wǎng)絡(luò)的特征提取能力。更改后，主干網(wǎng)絡(luò)的模型參數(shù)量大幅下降，檢測(cè)速度更快。

2.2 坐標(biāo)注意力機(jī)制

為避免安全帽檢測(cè)中復(fù)雜背景帶來的冗余信息感干擾，彌補(bǔ)YOLOX網(wǎng)絡(luò)檢測(cè)精度的不足，使網(wǎng)絡(luò)關(guān)注到更有意義的信息，在主干網(wǎng)絡(luò)的輸出端引入注意力機(jī)制。傳統(tǒng)的通道注意力機(jī)制SE采用了全局池化對(duì)空間信息進(jìn)行編碼，但它將全局信息壓縮到通道描述中，因此很難保存位置信息，而位置信息在視覺任務(wù)中對(duì)于捕獲空間位置結(jié)構(gòu)至關(guān)重要。在本文中，引入了CA機(jī)制，它采用“分而治之”的思想，將全局池化分解為垂直方向和水平方向上的平均池化，進(jìn)而實(shí)現(xiàn)位置信息的編碼，其結(jié)構(gòu)如圖7所示。

對(duì)于輸入數(shù)據(jù) X∈R^c×h×w ，分別使用平均池化核 （H， 1） 和（1， W） 編碼水平方向和垂直方向的信息，則第 Ψ_c 個(gè)通道在高 h 處的編碼信息為

式中： x_c（h，j） 指輸入特征圖第 c 個(gè)通道上位置坐標(biāo)（h，j） 處的像素值。

同樣地，第 Ψ_c 個(gè)通道在寬 w 處的編碼信息為

式中： x_c（j，w） 指輸入特征圖第 Ψ_c 個(gè)通道上位置坐標(biāo)（j，w） 處的像素值。

隨后，將兩部分編碼信息拼接，經(jīng)過1個(gè)1×1 卷積層 F₁ 和非線性激活函數(shù)層 δ ，將特征圖通道數(shù)壓縮為 c/r ，生成包含位置信息的中間特征層f∈R^{c/r×（h+w）} ，即

f=δ{F₁（[z^h，z^w]）}

再將 f 沿空間維度分解為2個(gè)向量 f^h∈R^c/r×h 和f^w∈R^c/r×w ，后再經(jīng)過2個(gè) 1×1 卷積層 F_h 、 F_w 和2個(gè)Sigmoid激活函數(shù)層 δ ，將通道數(shù)還原為 c ，得到2個(gè)獨(dú)立空間方向的注意力權(quán)重為

最終的輸出為

y_c（i，j）=x_c（i，j）×g_c^h（i）×g_c^w（j）

區(qū)別于通道注意力模塊僅考慮不同通道的重要程度，CA模塊考慮了空間信息的編碼，從而可以讓模型更加準(zhǔn)確地定位感興趣對(duì)象的確切位置。本文中，將CA模塊引入到圖1中dark3、dark4、dark5的輸出端，可以顯著提升模型的檢測(cè)精度。

2.3 融合空間信息的頸部網(wǎng)絡(luò)g-Neck

YOLOX頸部網(wǎng)絡(luò)用于進(jìn)一步的特征提取與特征融合，此過程中的卷積操作全部為標(biāo)準(zhǔn)的卷積操作，但標(biāo)準(zhǔn)的卷積操作沒有考慮到空間之間的相互作用，在經(jīng)過多次的卷積、上采樣、拼接操作后，會(huì)造成細(xì)節(jié)空間信息損失，不利于對(duì)多目標(biāo)和小目標(biāo)物體的檢測(cè)。為解決以上問題，本文引入了遞歸門控卷積模組 gⁿConv 模塊，設(shè)計(jì)了新的CSP組件和新的頸部網(wǎng)絡(luò)g-Neck。

gⁿConv 是1個(gè)實(shí)現(xiàn)長(zhǎng)期和高階空間交互作用的模塊， n 代表空間交互的階數(shù)。此模塊具有類似于自注意力self-attention[20]的作用，它借鑒了Vit[21]中對(duì)于空間交互作用的建模。Vit的成功主要?dú)w因于自注意力機(jī)制對(duì)視覺數(shù)據(jù)中的空間交互作用進(jìn)行了適當(dāng)?shù)慕！５?，自注意力操作引入的巨大參?shù)量，對(duì)于要求實(shí)時(shí)性的YOLOX模型來說并不實(shí)用。而 gⁿConv 通過標(biāo)準(zhǔn)卷積、線性映射和矩陣元素相乘等廉價(jià)操作實(shí)現(xiàn)空間交互，計(jì)算量代價(jià)更小。本文引入的三階 g³Conv 的結(jié)構(gòu)如圖8所示。

gⁿConv 的基礎(chǔ)結(jié)構(gòu)為 n=1 的一階門控卷積gConv，對(duì)于輸入特征圖 X∈R^c×h×w ，gConv的輸出 y 為

[p₀^hw×c，q₀^hw×c]=Φ_in（x）∈R^hw×2c

y=Φ_out[f（q₀）?p₀]∈R^hw×c

式中： Φ_in 和 Φ_out 為執(zhí)行通道混合操作的線性映射操作，具體實(shí)現(xiàn)是卷積核大小為 1×1 的常規(guī)卷積； f 為卷積核大小為 7×7 的深度可分離卷積，大卷積核旨在增大網(wǎng)絡(luò)的感受野，更容易捕獲長(zhǎng)期依賴關(guān)系； p₀ 和 q₀ 是將線性映射操作的結(jié)果在通道維度上切分后的特征層； ? 為按元素相乘的操作。以此類推，將此過程重復(fù) n 次，即可得到n 階的遞歸門控卷積 gⁿConv 。圖8中演示的為三階遞歸門控卷積。通過這種建模通道間信息交互的做法，可以極大地提升模型的空間建模能力。

本文基于由 gⁿConv 卷積模塊構(gòu)建的特征提取模塊 g -Block，重新設(shè)計(jì)了新的特征提取組件gCSP。 g -Block模塊借鑒了self-attention的元架構(gòu)設(shè)計(jì)，其結(jié)構(gòu)如圖9所示，它包含了1個(gè)空間混合模塊HorBlock和1個(gè)前饋網(wǎng)絡(luò)（feed-forwardnetwork，F(xiàn)FN）。空間混合模塊HorBlock是1個(gè)歸一化層和 gⁿConv 組成的殘差塊，完成空間交互建模；FFN為1個(gè)歸一化層和多層感知機(jī)（multilayerperceptron，MLP）構(gòu)成的殘差塊。 g -Block旨在用簡(jiǎn)單的操作建模長(zhǎng)距離的空間信息，使其適用于輕量化的網(wǎng)絡(luò)中。

重新設(shè)計(jì)的特征提取組件g-CSP結(jié)構(gòu)如圖10所示。在g-CSP中，輸入特征先經(jīng)過1個(gè)常規(guī)卷積塊提取特征，后進(jìn)入 g -Block和深度可分離卷積塊中提取特征，將其與另一條支路的常規(guī)卷積塊提取的特征拼接后，再次輸入到1個(gè)深度可分離卷積塊中并輸出最終結(jié)果。引人深度可分離卷積的目的是降低參數(shù)量。本文基于 g -CSP組件，設(shè)計(jì)了新的頸部特征融合網(wǎng)絡(luò) g -Neck，其結(jié)構(gòu)如圖11所示，C3、C4、C5分別為從主干網(wǎng)絡(luò)輸出的3個(gè)尺度的特征層，其尺寸大小分別為 80×80×128 ！40×40×256 、 20×20×512 。3個(gè)尺度的特征經(jīng)過上采樣、下采樣和拼接融合后，輸出3個(gè)特征層P3、P4、P5，其尺寸大小分別為 80×80×128 、 40×40× 256、 20×20×512 。圖1所示的YOLOX頸部網(wǎng)絡(luò)采用了CSP組件進(jìn)行特征提取與融合。本文將頸部網(wǎng)絡(luò)中原始的CSP組件替換為重新設(shè)計(jì)的 g -CSP組件，旨在改善模型的空間特征提取能力。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)數(shù)據(jù)采用2個(gè)開源的數(shù)據(jù)集：第一個(gè)數(shù)據(jù)集為SHWD安全帽數(shù)據(jù)集，針對(duì)生產(chǎn)安全領(lǐng)域的安全帽檢測(cè)問題；第二個(gè)數(shù)據(jù)集為PASCALVOC07+12^[22-23] 通用數(shù)據(jù)集，用于對(duì)改進(jìn)后的算法做進(jìn)一步的驗(yàn)證。其中SHWD安全帽數(shù)據(jù)集包含7581張圖片，訓(xùn)練集和測(cè)試集按 7：3 劃分，訓(xùn)練集包含5307張圖片，測(cè)試集包含2274張圖片，包含hat和person2個(gè)類別；PascalVOC數(shù)據(jù)集由PascalVOC2007和PascalVOC2012這2個(gè)數(shù)據(jù)集合并得到，訓(xùn)練集由2個(gè)數(shù)據(jù)集共同組成，一共含16551張圖片，測(cè)試集由PascalVOC2007提供，包含4952張圖片，包含cat、person、dog等20個(gè)類別。

實(shí)驗(yàn)在Linux操作系統(tǒng)上進(jìn)行訓(xùn)練和測(cè)試，處理器型號(hào)為Intel（R）Xeon（R）Platinum6l64CPU @ 1.90GHz ，內(nèi)存大小為24GB，顯卡型號(hào)為NVIDIAGeForceRTX3090，深度學(xué)習(xí)框架為Pytorch，每個(gè)模型從頭開始訓(xùn)練，網(wǎng)絡(luò)輸入大小為 640×640 ，epoch為200輪，初始學(xué)習(xí)率為0.0025。在前5輪訓(xùn)練中，凍結(jié)學(xué)習(xí)率，使網(wǎng)絡(luò)熟悉數(shù)據(jù)；后195輪訓(xùn)練中優(yōu)化器設(shè)置為SGD，其動(dòng)量和衰減系數(shù)分別為0.9和0.0005，單次訓(xùn)練樣本數(shù)量batch size為16。訓(xùn)練數(shù)據(jù)采用Mosaic和Mixup數(shù)據(jù)增強(qiáng)以增加數(shù)據(jù)的多樣性：Mosaic數(shù)據(jù)增強(qiáng)為隨機(jī)選擇4張圖片，將其縮放后拼接為1張圖片；Mixup數(shù)據(jù)增強(qiáng)為隨機(jī)選擇2張圖片，將其按一定比例融合為1張圖片。

3.2 評(píng)價(jià)指標(biāo)

為了衡量模型檢測(cè)效果，本文采用模型參數(shù)量衡量模型大小，采用每秒10億次的浮點(diǎn)運(yùn)算數(shù)表示模型的計(jì)算量，采用幀率衡量模型的檢測(cè)速度，采用平均精度 A 和平均精度均值 M_AP 衡量模型的檢測(cè)精度。 A 與 M_AP 綜合考量了精準(zhǔn)率 P 和召回率 R ： P 是指正確預(yù)測(cè)某類的數(shù)量占全部預(yù)測(cè)為該類的數(shù)量的比例； R 是指正確預(yù)測(cè)某類的數(shù)量占實(shí)際上全部為該類的數(shù)量的比例。 A 可以用來評(píng)估每一類的檢測(cè)效果，它是以召回率為橫軸、以精確率為縱軸組成的曲線圍成的面積。將所有類的 A 值取均值可以得到 M_AP 。計(jì)算公式為

式中： N_TP 為正確預(yù)測(cè)為正類的樣本數(shù)量； N_FP 為錯(cuò)誤預(yù)測(cè)為正類的樣本數(shù)量； N_FN 為漏檢的正類樣本數(shù)量； a 為所有類別數(shù)。

YOLOX的損失函數(shù)包含3部分，分別為分類損失、置信度損失和錨框的回歸損失，計(jì)算公式為

式中： L_CE 和 L_CIoU 分別表示交叉熵?fù)p失函數(shù)和CIoU[24]損失函數(shù)；Npos表示正樣本的數(shù)量；Q和G 分別表示預(yù)測(cè)樣本和標(biāo)簽；上標(biāo)pos和neg分別表示訓(xùn)練過程中的正樣本和負(fù)樣本； λ₁ 和 λ₂ 分別表示置信度損失和錨框回歸損失的權(quán)重值；下標(biāo)Cls表示分類任務(wù)，Obj表示置信度預(yù)測(cè)任務(wù)，Reg表示錨框回歸任務(wù)。圖12演示了預(yù)測(cè)框 B 與目標(biāo)框 B^gt 的相交情形， ρ 為兩框中心點(diǎn)的距離，1為兩框的最小外接矩形的對(duì)角線的長(zhǎng)度， w^gt 為目標(biāo)框 B^gt 的寬， h^gt 為目標(biāo)框 B^gt 的高。CIoU損失函數(shù)計(jì)算式為

式中： I 為交并比，即2個(gè)矩形框交集的面積與并集的面積之比； 分別表示預(yù)測(cè)框和目標(biāo)框的中心點(diǎn)； α 為權(quán)重系數(shù)； ν 為高寬比的一致性。圖13展示了訓(xùn)練過程中的損失變化曲線，totalloss代表總損失，ciouloss代表錨框回歸損失，confloss代表置信度損失，clsloss代表分類損失。可以發(fā)現(xiàn)，訓(xùn)練到200輪epoch時(shí)，4項(xiàng)損失值均已收斂。

3.3 消融實(shí)驗(yàn)

為檢驗(yàn)?zāi)Ｐ偷挠行裕谟?xùn)練參數(shù)相同的情況下，對(duì)3處改進(jìn)進(jìn)行消融實(shí)驗(yàn)。在SHWD數(shù)據(jù)集上的結(jié)果如表2所示， A₁ 和 A₂ 分別表示對(duì)佩戴安全帽和未佩戴安全帽的工人的檢測(cè)精度。實(shí)驗(yàn)1為本文基線模型YOLOX的實(shí)驗(yàn)結(jié)果；實(shí)驗(yàn)2采用輕量化的特征提取模塊重新構(gòu)建了主干網(wǎng)絡(luò)，改進(jìn)模型的參數(shù)量下降了 21.5% ，計(jì)算量下降了24.5% ，檢測(cè)速度提高了 14.1% ，檢測(cè)精度基本保持不變；實(shí)驗(yàn)3添加了CA模塊，較基線網(wǎng)絡(luò)的平均精度均值提升了 0.9% ，說明CA模塊可以讓模型更加關(guān)注網(wǎng)絡(luò)感興趣的區(qū)域、過濾冗余的信息、提高模型的性能，而添加CA后的模型參數(shù)量和計(jì)算量基本保持不變；實(shí)驗(yàn)4采用空間交互能力更強(qiáng)的g-Neck頸部特征融合網(wǎng)絡(luò)替換原網(wǎng)絡(luò)，較基線網(wǎng)絡(luò)的平均精度均值提高了 0.82% ，其原因在于模型學(xué)習(xí)了更多的空間位置信息，定位能力更強(qiáng)，這對(duì)于目標(biāo)檢測(cè)任務(wù)而言至關(guān)重要，雖然模型參數(shù)量和計(jì)算量稍稍增加，犧牲了少量的檢測(cè)速度，但仍滿足使用需求；實(shí)驗(yàn)5替換輕量化主干網(wǎng)絡(luò)的同時(shí)，添加了坐標(biāo)注意力CA模塊，結(jié)果顯示，CA模塊在只增加少量參數(shù)量和計(jì)算量的情況下，彌補(bǔ)了輕量化網(wǎng)絡(luò)帶來的檢測(cè)精度損失；實(shí)驗(yàn)6為本文最終改進(jìn)模型，同時(shí)添加了3處改進(jìn)，較基線網(wǎng)絡(luò)的參數(shù)量下降 18.8% ，計(jì)算量下降 23.3% ，檢測(cè)速度提高 7.6% ，平均精度均值提高 1.69% ，證明最終改進(jìn)模型是一種更快、更強(qiáng)的檢測(cè)模型。圖14為平均精度均值變化曲線，藍(lán)色代表基線模型YOLOX，紅色代表本文最終改進(jìn)模型。結(jié)果表明，改進(jìn)后的模型以更高的精度收斂。

在基線模型上分別添加3種不同的注意力機(jī)制 SE、CBAM[25]、CA，實(shí)驗(yàn)結(jié)果如表3所示。SE采用全局池化的方法將通道信息壓縮，沒有考慮到位置信息；CBAM在SE的基礎(chǔ)上嘗試通過卷積操作捕獲空間位置信息，但卷積操作在建模長(zhǎng)期依賴關(guān)系時(shí)效果不佳；CA選擇在特征圖的 h 和w 方向上壓縮位置信息，再將其嵌入到通道注意力中，效果更佳。實(shí)驗(yàn)結(jié)果表明，添加CA相較于添加SE和CBAM，平均精度均值分別提高了0.28% 和 0.24% 。

3.4 對(duì)比實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證模型的有效性，本文在公開數(shù)據(jù)集SHWD和PascalVOC上與現(xiàn)階段目標(biāo)檢測(cè)的主流模型進(jìn)行性能比較，選用的對(duì)比模型有兩階段檢測(cè)算法FastR-CNN、FasterR-CNN和單階段檢測(cè)算法SSD300、YOLOV3、YOLOV4、YOLOV5、YOLOX這7個(gè)主流模型，對(duì)比結(jié)果如表4和表5所示。在數(shù)據(jù)集SHWD上，本文改進(jìn)模型的平均精度均值可以達(dá)到 88.0% ，檢測(cè)速度可以達(dá)到99f/s ，2項(xiàng)指標(biāo)在所有模型中均為最高。在PascalVOC數(shù)據(jù)集上，本文改進(jìn)模型的平均精度均值達(dá)到 83.0% ，相較于基線網(wǎng)絡(luò)提高 1.1% ，檢測(cè)速度為 99f/s ，2項(xiàng)指標(biāo)同樣在所有模型中最高。

在SHWD數(shù)據(jù)集和PascalVOC數(shù)據(jù)集中，分別選取3組圖片，分別使用改進(jìn)后的YOLOX算法和原始YOLOX算法進(jìn)行檢測(cè)。在SHWD數(shù)據(jù)集上的對(duì)比結(jié)果如圖15所示，第1組和第2組圖片中：原算法存在被遮擋物的漏檢情況；改進(jìn)后的算法檢測(cè)出了被遮擋的安全帽，說明改進(jìn)后的算法特征提取能力更強(qiáng)。第3組圖片中：原算法不僅存在遠(yuǎn)處小目標(biāo)的漏檢，還存在錯(cuò)檢的情況；改進(jìn)后的算法不僅檢測(cè)到了圖片較遠(yuǎn)處的小目標(biāo)物體，錯(cuò)檢率也明顯下降。與原算法相比，改進(jìn)后的算法檢測(cè)置信度得分明顯提高，檢測(cè)更加精確。在PascalVOC數(shù)據(jù)集上的對(duì)比結(jié)果如圖16所示，第1組圖片中，改進(jìn)后的算法檢測(cè)置信度較高，且錯(cuò)檢的情況減少；第2組和第3組圖片檢測(cè)結(jié)果相同，但是改進(jìn)后的算法檢測(cè)置信度同樣提高。

4結(jié)論

為提高實(shí)時(shí)檢測(cè)算法的檢測(cè)速度、檢測(cè)精度，并將其應(yīng)用于生產(chǎn)安全領(lǐng)域，本文在基線模型YOLOX的基礎(chǔ)上提出3點(diǎn)改進(jìn)。首先，將主干網(wǎng)絡(luò)替換為更輕量、速度更快的G-backbone，加快檢測(cè)速度；其次，在主干網(wǎng)絡(luò)的輸出端引入CA，使得模型特征提取能力增強(qiáng)，可以更好地關(guān)注到網(wǎng)絡(luò)感興趣的區(qū)域，過濾冗余信息；最后，在頸部網(wǎng)絡(luò)中融合了空間建模能力更強(qiáng)的 g-CSP ，使得模型更容易學(xué)習(xí)到空間位置信息，捕獲圖像中的長(zhǎng)距離依賴關(guān)系。在SHWD和PascalVOC數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明3種改進(jìn)策略均起到效果，最終的改進(jìn)模型相較于基線網(wǎng)絡(luò)，不僅檢測(cè)精度有提高，模型參數(shù)量和計(jì)算量也有所減少，而且檢測(cè)速度更快，可以應(yīng)用于施工環(huán)境下的實(shí)時(shí)監(jiān)控檢測(cè)中

參考文獻(xiàn)：

[1]DALAL N， TRIGGS B.Histograms of oriented gradients for human detection[C]//2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05）. San Diego：IEEE，2005： 886-893.

[2]FELZENSZWALB P， MCALLESTER D， RAMANAN D. A discriminativelytrained，multiscale，deformablepart model[C]//20o8 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage： IEEE， 2008：1-8.

[3]GIRSHICK R. Fast R-CNN[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Santiago： IEEE，2015：1440-1448.

[4]RENSQ，HEKM，GIRSHICKR，etal.Faster R-CNN： towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.

[5]REDMON J， DIVVALA S， GIRSHICK R， et al. You only lookonce：unified， real-timeobjectdetection[C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas： IEEE， 2016： 779-788.

[6]LIU W，ANGUELOV D， ERHAN D， et al. SSD：single shot MultiBox detector[C]//14th European Conference on Computer Vision. Amsterdam： Springer， 2016： 21-37.

[7] ZHANG S F， CHI C， YAO Y Q， et al. Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection[C]//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle： IEEE， 2020： 9756-9765.

[8］張業(yè)寶，徐曉龍.基于改進(jìn) SSD的安全帽佩戴檢測(cè)方法 [J].電子測(cè)量技術(shù)，2020，43（19）：80-84.

[9] SIMONYAN K， ZISSERMAN A. Very deep convolutional networksforlarge-scaleimagerecognition[DB/OL]. [2015-04-10]. https：//arxiv.org/abs/1409.1556.

[10]謝國(guó)波，唐晶晶，林志毅，等.復(fù)雜場(chǎng)景下的改進(jìn) YOLOv4安全帽檢測(cè)算法[J].激光與光電子學(xué)進(jìn)展， 2023，60（12）： 139-147.

[11] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection[DB/OL].[2020-04-23].https：//arxiv.0rg/abs/ 2004.10934.

[12]呂宗喆，徐慧，楊驍，等.面向小目標(biāo)的YOLOv5安全帽 檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2023，43（6）：1943-1949.

[13] REDMON J， FARHADI A. YOLOv3： An incremental improvement[DB/OL]. [2018-04-08]. https：//arxiv.org/abs/ 1804.02767.

[14] TIAN Z， SHEN C H， CHEN H， et al. FCOS： fully convolutional one-stage object detection[C]//Proceedings of the 2019 IEEE/CVF International Conferenceon Computer Vision. Seoul： IEEE，2019： 9626-9635.

[15] GE Z， LIU S T， WANG F，et al. YOLOX： exceeding YOLO series in 2021[DB/OL]. [2021-08-06]. https：//arxiv. org/abs/2107.08430.

[16] HAN K， WANG Y H， TIAN Q， et al. GhostNet： more features from cheap operations[C]//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle： IEEE， 2020： 1577-1586.

[17]HOU QB， ZHOU D Q，F(xiàn)ENG J S. Coordinate attention for efficient mobile network design[C]//Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville： IEEE， 2021： 13708-13717.

[18] RAO Y M， ZHAO W L， TANG Y S， et al. HorNet： efficient high-order spatial interactions with recursive gated convolutions[DB/OL]. [2022-10-11]. https：//arxiv.org/abs/ 2207.14284.

[19] HU J， SHENL， SUN G. Squeeze-and-excitation networks[C]/Proceedingsofthe2018IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 7132-7141.

[20]VASWANI A，SHAZEERN，PARMARN， etal. Attention is all you need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach： Curran Associates Inc.， 2017： 6000-6010.

[21]DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16xl6 words： transformers for image recognition at scale[DB/OL]. [2021-06-03]. http：//arxiv.org/ abs/2010.11929.

[22] EVERINGHAM M， VAN GOOL L， WILLIAMS C K I， et al.The Pascal visual object classes （VOC） challenge[J]. International Journal of Computer Vision， 2010，88（2）： 303-338.

[23] EVERINGHAM M， ESLAMI S M A， VAN GOOL L， et al. ThePascal visual object classeschallenge：a retrospective[J]. International Journal of Computer Vision， 2015，111（1）： 98-136.

[24] ZHENG Z H， WANG P，LIU W， et al. Distance-IoU loss： fasterandbetterlearningforbounding box regression[C]//Proceedings of the 34th AAAI Conference onArtificial Intelligence. New York： AAAI， 2020： 12993-13000.

[25] WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[C]//Proceedingsof the15th European Conference on Computer Vision. Munich： Springer，2018： 3-19.

（編輯：董偉）