CN114155499A - 基于改进yolox的实时路况目标检测方法及装置 - Google Patents

基于改进yolox的实时路况目标检测方法及装置 Download PDF

Info

Publication number
CN114155499A
CN114155499A CN202111401886.7A CN202111401886A CN114155499A CN 114155499 A CN114155499 A CN 114155499A CN 202111401886 A CN202111401886 A CN 202111401886A CN 114155499 A CN114155499 A CN 114155499A
Authority
CN
China
Prior art keywords
real
road condition
features
yolox
time road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111401886.7A
Other languages
English (en)
Inventor
曹利蒲
杨继明
王军
陈婷婷
李涛
陈岩磊
张澈
王传鑫
田长风
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202111401886.7A priority Critical patent/CN114155499A/zh
Publication of CN114155499A publication Critical patent/CN114155499A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供一种基于改进YOLOX的实时路况目标检测方法及装置。所述方法包括：采集实时路况目标的数据集，并对数据集进行预处理；按照预设的比例将预处理后的数据集划分为训练集和测试集；建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征；利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型；使用所述实时路况目标检测模型对实时路况目标进行检测。可以有效提高实时路况目标检测精度和检测效率。

Description

基于改进YOLOX的实时路况目标检测方法及装置
技术领域
本公开属于人工智能技术领域，具体涉及一种基于改进YOLOX的实时路况目标检测方法及装置。
背景技术
随着深度学习和神经网络的发展，计算机视觉得以飞速发展。在此领域，目标检测与识别技术被广泛研究并应用于实践，给人们生活带来极大便利。例如应用于自动驾驶上，可以自动地识别行车路上的行人、障碍物和交通信号，可以有效为驾驶者提供安全预警。然而在许多目标检测工作中存在以下问题：一、目标远近不同，尺寸各异，不能有效完全检测和识别；二、背景复杂，干扰因素多，如拍摄角度，光照变化、相似目标、物体遮挡等问题，容易导致误判，不利于检测。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于改进YOLOX的实时路况目标检测方法及装置。
本公开的一方面，提供一种基于改进YOLOX的实时路况目标检测方法，所述方法包括：
采集实时路况目标的数据集，并对数据集进行预处理；
按照预设的比例将预处理后的数据集划分为训练集和测试集；
建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征；
利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型；
使用所述实时路况目标检测模型对实时路况目标进行检测。
在一些实施方式中，所述ECA通道注意力机制如下：
对重要的特征分量所在通道赋予加大权重值，对非重要的特征分量所在通道赋予较小权重，然后求加权和。
在一些实施方式中，所述重要的特征分量的权重值范围为0.8～0.95，所述非重要的特征分量的权重值范围为0.1～0.25。
在一些实施方式中，所述建立改进YOLOX网络结构，还包括：
YOLOX网络结构的各模块之间采用交叉融合策略，以使得浅层特征中物体特征信息和深层特征中物体特征信息互补。
本公开的另一方面，提供一种基于改进YOLOX的实时路况目标检测装置，所述装置包括：
采集模块，用于采集实时路况目标的数据集，并对数据集进行预处理；
划分模块，用于按照预设的比例将预处理后的数据集划分为训练集和测试集；
建立模块，用于建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征；
训练模块，用于利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型；
检测模块，用于使用所述实时路况目标检测模型对实时路况目标进行检测。
在一些实施方式中，所述ECA通道注意力机制如下：
对重要的特征分量所在通道赋予加大权重值，对非重要的特征分量所在通道赋予较小权重，然后求加权和。
在一些实施方式中，所述重要的特征分量的权重值范围为0.8～0.95，所述非重要的特征分量的权重值范围为0.1～0.25。
在一些实施方式中，所述建立模块，具体还用于：
YOLOX网络结构的各模块之间采用交叉融合策略，以使得浅层特征中物体特征信息和深层特征中物体特征信息互补。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本公开的基于改进YOLOX的实时路况目标检测方法及装置，在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征，可以有效提高实时路况目标检测精度和检测效率。在自制交通标志数据集上市进行测试，改进后的YOLOX算法在测试集上的检测精度和召回率都有明显提升。
附图说明
图1为本公开一实施例的基于改进YOLOX的实时路况目标检测方法的流程图；
图2为本公开另一实施例的改进YOLOX网络模型的整体图；
图3为本公开另一实施例的ECA模块的结构图；
图4为本公开另一实施例的改进YOLOX网络模型采用交叉融合策略的示意图；
图5为本公开另一实施例的基于改进YOLOX的实时路况目标检测装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
本实施例的一方面，如图1所示，涉及一种基于改进YOLOX的实时路况目标检测方法S100，所述方法S100包括：
S110、采集实时路况目标的数据集，并对数据集进行预处理。
S120、按照预设的比例将预处理后的数据集划分为训练集和测试集。
具体地，在上述步骤S110中，可以采集10000张实时路况目标的图像，将其中的7000张图像划分为训练集，将剩余的3000张图像划分为测试集。
S130、建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征。
具体地，在本步骤中，一并参考图2，在YOLOX网络结构必不可少的骨干网络的各模块中，在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加。每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征。
进一步地，为了辨别各通道信息对目标将测的重要程度，嵌入ECA通道注意力机制，对重要的特征分量所在通道赋予加大权重值，对非重要权重所在特征赋予较小权重，然后求加权和，ECA模块结构如图3所示。作为一个示例，所述重要的特征分量的权重值范围为0.8～0.95，所述非重要的特征分量的权重值范围为0.1～0.25。
进一步地，在YOLOX网络结构中，浅层特征中物体位置信息丰富，而语义信息较少，深层特征中物体语义信息丰富，而位置信息较少，为了互补二者的特征信息，提出交叉融合策略应用于骨干网络中，如图4所示，对不同倍数下采样的特征实现融合
S140、利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型。
S150、使用所述实时路况目标检测模型对实时路况目标进行检测。
本实施例的基于改进YOLOX的实时路况目标检测方法，在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征，可以有效提高实时路况目标检测精度和检测效率。在自制交通标志数据集上市进行测试，改进后的YOLOX算法在测试集上的检测精度和召回率都有明显提升。
本公开的另一方面，如图5所示，提供一种基于改进YOLOX的实时路况目标检测装置100，该装置100可以适用于前文记载的方法。所述装置100包括：
采集模块110，用于采集实时路况目标的数据集，并对数据集进行预处理；
划分模块120，用于按照预设的比例将预处理后的数据集划分为训练集和测试集；
建立模块130，用于建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征；
训练模块140，用于利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型；
检测模块150，用于使用所述实时路况目标检测模型对实时路况目标进行检测。
本实施例的基于改进YOLOX的实时路况目标检测装置，在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征，可以有效提高实时路况目标检测精度和检测效率。在自制交通标志数据集上市进行测试，改进后的YOLOX算法在测试集上的检测精度和召回率都有明显提升。
在一些实施方式中，所述ECA通道注意力机制如下：
对重要的特征分量所在通道赋予加大权重值，对非重要的特征分量所在通道赋予较小权重，然后求加权和。
在一些实施方式中，所述重要的特征分量的权重值范围为0.8～0.95，所述非重要的特征分量的权重值范围为0.1～0.25。
在一些实施方式中，所述建立模块130，具体还用于：
YOLOX网络结构的各模块之间采用交叉融合策略，以使得浅层特征中物体特征信息和深层特征中物体特征信息互补。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种基于改进YOLOX的实时路况目标检测方法，其特征在于，所述方法包括：
采集实时路况目标的数据集，并对数据集进行预处理；
按照预设的比例将预处理后的数据集划分为训练集和测试集；
建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征；
利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型；
使用所述实时路况目标检测模型对实时路况目标进行检测。
2.根据权利要求1所述的方法，其特征在于，所述ECA通道注意力机制如下：
对重要的特征分量所在通道赋予加大权重值，对非重要的特征分量所在通道赋予较小权重，然后求加权和。
3.根据权利要求2所述的方法，其特征在于，所述重要的特征分量的权重值范围为0.8～0.95，所述非重要的特征分量的权重值范围为0.1～0.25。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述建立改进YOLOX网络结构，还包括：
YOLOX网络结构的各模块之间采用交叉融合策略，以使得浅层特征中物体特征信息和深层特征中物体特征信息互补。
5.一种基于改进YOLOX的实时路况目标检测装置，其特征在于，所述装置包括：
采集模块，用于采集实时路况目标的数据集，并对数据集进行预处理；
划分模块，用于按照预设的比例将预处理后的数据集划分为训练集和测试集；
建立模块，用于建立改进YOLOX网络结构：在残差分支中额外引出特征，经过ECA通道注意力后与另一分支的特征叠加，每个提取到的特征图都会有多个通道，各个通道上的特征通过叠加就可以得到完整的物体特征；
训练模块，用于利用所述训练集对所述改进YOLOX网络结构进行训练，得到实时路况目标检测模型；
检测模块，用于使用所述实时路况目标检测模型对实时路况目标进行检测。
6.根据权利要求5所述的装置，其特征在于，所述ECA通道注意力机制如下：
对重要的特征分量所在通道赋予加大权重值，对非重要的特征分量所在通道赋予较小权重，然后求加权和。
7.根据权利要求6所述的装置，其特征在于，所述重要的特征分量的权重值范围为0.8～0.95，所述非重要的特征分量的权重值范围为0.1～0.25。
8.根据权利要求5至7任一项所述的装置，其特征在于，所述建立模块，具体还用于：
YOLOX网络结构的各模块之间采用交叉融合策略，以使得浅层特征中物体特征信息和深层特征中物体特征信息互补。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至4任一项所述的方法。
CN202111401886.7A 2021-11-19 2021-11-19 基于改进yolox的实时路况目标检测方法及装置 Pending CN114155499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111401886.7A CN114155499A (zh) 2021-11-19 2021-11-19 基于改进yolox的实时路况目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111401886.7A CN114155499A (zh) 2021-11-19 2021-11-19 基于改进yolox的实时路况目标检测方法及装置

Publications (1)

Publication Number Publication Date
CN114155499A true CN114155499A (zh) 2022-03-08

Family

ID=80457276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111401886.7A Pending CN114155499A (zh) 2021-11-19 2021-11-19 基于改进yolox的实时路况目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN114155499A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331384A (zh) * 2022-08-22 2022-11-11 重庆科技学院 基于边缘计算的作业平台火灾事故预警系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331384A (zh) * 2022-08-22 2022-11-11 重庆科技学院 基于边缘计算的作业平台火灾事故预警系统
CN115331384B (zh) * 2022-08-22 2023-06-30 重庆科技学院 基于边缘计算的作业平台火灾事故预警系统

Similar Documents

Publication Publication Date Title
US11361556B2 (en) Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program
CN108701396B (zh) 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN102737247A (zh) 一种柴油车尾气烟度图像识别系统
CN112990069B (zh) 异常驾驶行为检测方法、装置、终端及介质
CN110119725B (zh) 用于检测信号灯的方法及装置
CN110310499A (zh) 一种匝道限速识别的方法及装置
CN104157160A (zh) 车辆行驶控制方法、装置及车辆
CN110175654A (zh) 一种轨迹路标的更新方法及系统
CN114155499A (zh) 基于改进yolox的实时路况目标检测方法及装置
CN111422202B (zh) 智能驾驶考试评判方法
CN109664889A (zh) 一种车辆控制方法、装置和系统以及存储介质
CN111383248B (zh) 一种行人闯红灯判断方法、装置和电子设备
CN109241893B (zh) 基于人工智能技术的道路选择方法、装置及可读存储介质
CN116563069B (zh) 应用于驾培驾考的智能化评判方法及装置
CN111325708B (zh) 一种输电线路检测方法和服务器
WO2020158262A1 (ja) 劣化診断装置、劣化診断システム、劣化診断方法、記録媒体
CN116245498A (zh) 光缆路由标识检测方法、装置，及电子设备
CN115019511A (zh) 基于自动驾驶车辆的识别机动车违规变道的方法和装置
CN113450567A (zh) 一种人工智能预警系统
CN115222610A (zh) 图像方法、装置、电子设备及存储介质
CN110781860B (zh) 一种海洋石油平台溢油监控智能报警系统及方法
CN113642708A (zh) 一种车辆环境等级识别模型的训练方法、识别方法及装置
CN112232312A (zh) 基于深度学习的自动驾驶方法、装置和电子设备
CN117253208A (zh) 基于高精地图实时测量局部能见度的方法及系统
CN117523246A (zh) 点云标注图像检测方法、存储介质及智能设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination