中国安全科学学报

模型	改进策略
YOLOX	—	—	—	82.89	70.23	93.37	82.34
A	√	—	—	83.39	70.46	94.41	83.58
B	√	√	—	82.98	70.61	96.52	83.77
YOLOX-T	√	√	√	84.78	71.11	97.94	87.79

模型	改进策略
YOLOX	—	—	—	82.89	70.23	93.37	82.34
A	√	—	—	83.39	70.46	94.41	83.58
B	√	√	—	82.98	70.61	96.52	83.77
YOLOX-T	√	√	√	84.78	71.11	97.94	87.79

检测算法	mAP@0.5	P/%
Faster R-CNN	75.51	85.66
RetinaNet	75.32	83.54
SSD	71.46	78.69
YOLOv3	72.44	80.17
YOLOv4	73.66	81.67
YOLOv5S	75.43	85.33
YOLOX	82.89	93.37
YOLOX-T	84.78	97.94

检测算法	mAP@0.5	P/%
Faster R-CNN	75.51	85.66
RetinaNet	75.32	83.54
SSD	71.46	78.69
YOLOv3	72.44	80.17
YOLOv4	73.66	81.67
YOLOv5S	75.43	85.33
YOLOX	82.89	93.37
YOLOX-T	84.78	97.94

基于改进YOLOX的隧道火灾检测算法

PDF下载

马庆禄教授 , 邱高建 , 白锋

中国安全科学学报 | 安全工程技术 2025,35(4): 28-34

收起

中国安全科学学报 | 安全工程技术 2025, 35(4): 28-34

基于改进YOLOX的隧道火灾检测算法

全屏

马庆禄教授, 邱高建, 白锋

作者信息

重庆交通大学交通运输学院，重庆 400074

马庆禄 (1980—)，男，陕西渭南人，博士，教授，主要从事自动驾驶、智能交通、交通安全等方面的研究。E-mail：qlm@cqjtu.edu.cn。

Tunnel initial fire detection method based on improved YOLOX algorithm

Qinglu MA, Gaojian QIU, Feng BAI

Affiliations

School of Traffic & Transportation，Chongqing Jiaotong University，Chongqing 400074，China

出版时间: 2025-04-28 doi: 10.16265/j.cnki.issn1003-3033.2025.04.0960

文章导航

摘要

收起

针对隧道初期火灾检测中存在的复杂环境干扰和低识别率问题，提出一种基于改进YOLOX算法的检测方法YOLOX-T。该方法在YOLOX中引入归一化注意力模块(NAM)机制来抑制环境噪声和干扰，提高系统的鲁棒性及识别的精确性；引入加权双向特征金字塔网络(BiFPN)增强特征提取和融合能力，优化α-交并比(IoU)损失函数，以提高对轮廓特征不明显的隧道初期烟雾火焰的检测精度；在现有公开数据集不足的情况下，通过网络采集、模拟试验和扩充现有数据集，构建隧道火灾数据集，在包含真实场景和模拟场景的自建隧道火灾数据集上进行验证。结果表明：相比于原始YOLOX模型，改进后的算法均值平均精度(mAP@0.5)提高1.89%，mAP@0.5~0.95提高0.88%，精确率提高4.57%，召回率提高5.45%，改进后的算法能够实现更优的检测性能。

关键词

隧道火灾 / YOLOX / 火灾检测 / 归一化注意力模块(NAM) / 加权双向特征金字塔网络(BiFPN)

Abstract

收起

To address the issues of complex environmental interference and low recognition rates in early-stage tunnel fire detection，an improved YOLOX-based detection method，YOLOX-T，was proposed. The proposed method incorporated a NAM into the YOLOX network to suppress environmental noise and interference，thereby enhancing the model's robustness. A weighted BiFPN was integrated to improve multi-scale feature extraction and fusion. Furthermore，an α-IoU(Intersection over Union) loss function was employed to enhance the detection accuracy of early-stage tunnel smoke and flames，which often exhibit indistinct contours. Addressing the scarcity of publicly available datasets，a tunnel fire dataset encompassing both real-world and simulated scenarios was constructed through web data acquisition，simulated fire experiments，and the augmentation of existing datasets. Experimental results on the self-built dataset demonstrate that，compared to the original YOLOX model，the YOLOX-T method achieves improvements of 1.89% in mean Average Precision (mAP@0.5)，0.88% in mAP@0.5~0.95，4.57% in precision，and 5.45% in recall. The improved algorithm can achieve better detection performance.

Key words

tunnel fire / YOLOX / normalization-based attention module (NAM) / bidirectional feature pyramid network (BiFPN) / fire detection

引用本文

马庆禄教授, 邱高建, 白锋. 基于改进YOLOX的隧道火灾检测算法. 中国安全科学学报, 2025 , 35 (4) : 28 -34 . DOI: 10.16265/j.cnki.issn1003-3033.2025.04.0960

Qinglu MA, Gaojian QIU, Feng BAI. Tunnel initial fire detection method based on improved YOLOX algorithm[J]. China Safety Science Journal, 2025 , 35 (4) : 28 -34 . DOI: 10.16265/j.cnki.issn1003-3033.2025.04.0960

正文

收起

0 引言

收起

截至2023年底，我国(不含港澳台地区)公路隧道总里程长达3 023.18万延米^[1]。隧道火灾一般涉及汽油、电缆等高热值可燃物，且受狭长密闭空间制约，烟气扩散与燃烧动力学特性显著区别于常规建筑火灾，易引发重大伤亡与结构损伤^[2]。

现有的火灾预警系统多依赖温感、烟感等传感器^[3]，基础预警效能易受制于环境干扰，且检测有滞后性，难以实现早期火灾的精准识别。基于数字图像处理的传统计算机视觉识别方法，由于特征选择的不确定性^[4]，检测效率低。如ÇELIK等^[5]设计一种有效分离亮度和色度分量的新规则，实现了基于像素特征的火灾图像分类。MONDAL等^[6]通过图像预处理和块标记，实现对火灾的快速响应。TORABIAN等^[7]通过算法从视频序列中提取时空特征，转化为分形特征描述火灾运动特性，利用支持向量机分类器对这些特征分类，确定火灾区域。随着计算能力的显著提升，近年来深度学习技术在火灾探测领域得到广泛应用。马庆禄等^[8]提出一种基于改进YOLOv5s算法的隧道初期火灾检测方法。胡勤等^[9]提出一种基于动态纹理的火焰检测方法。李宁等^[10]通过改进YOLO层，增大感受野范围，提高火焰检测能力。李澎林等^[11]先通过光流算法对目标区域进行筛选，再通过YOLOv3对检测区域进行二次识别，减少外界因素干扰。王冠博等^[12]优化激活函数，再引入通道注意力机制，提高YOLOv4模型检测火焰的精度。曹康壮等^[13]通过将YOLOv5与轻量化卷积神经网络结合，优化损失函数及引入置换注意力机制，提高在复杂环境下火灾检测的识别效果。尚明鹏等^[14]通过融合加权双向特征金字塔网络(Bidirectional Feature Pyramid Network，BiFPN)，提升复杂环境下的火灾检测水平。张军等^[15]将特征融合注意力模块引入至主干网络中提升烟雾特征提取。隧道环境的特殊性使传统检测算法在精度和鲁棒性上存在不足。尽管现有深度学习算法在火灾检测中取得一定成果，但隧道复杂环境下，难以有效抑制噪声和干扰，导致误报率较高。

因此，笔者拟提出基于改进YOLOX^[16]的隧道火灾智能检测算法，在原YOLOX模型基础上引入归一化注意力模块(Normalization-based Attention Module，NAM)，并引入BiFPN^[17]，重点解决复杂隧道环境下烟雾识别率低、干扰敏感度高等关键问题，以期实现隧道复杂环境下隧道火灾自动检测。

1 基于目标检测的隧道火灾检测YOLOX-T算法

收起

1.1 YOLOX目标检测算法

YOLOX心创新包括解耦头、数据增强、无锚框思想以及动态样本匹配。YOLOX由主干特征提取网络、颈部特征增强网络和预测检测头组成，如图1所示。主干特征提取网络采用跨阶段局部网络，提升效率与准确性；颈部通过多尺度特征融合增强对不同尺度目标的检测能力；预测部分使用解耦头进行回归与分类预测，精确定位目标并进行类别判定。YOLOX结构中卷积-归一化-激活(Convolution-Batch Normalization-SiLU Activation，CBS)模块负责基本的特征提取，跨阶段局部网络(Cross Stage Partial Network，CSP)模块增强网络的特征提取能力，同时降低计算量。

1) 解耦头。目标检测在深度学习中至关重要，涵盖分类和回归2个主要方面。传统YOLO系列算法采用耦合的检测头，将分类和回归任务封装在单个分支中，导致二者冲突，影响网络的收敛性。为此，YOLOX引入视网膜网络的解耦检测头，将分类和回归任务分为2个并行任务，并独立更新各自的参数，解耦头结构如图2所示。这种解耦设计提高网络的性能和收敛速度，通过分开处理分类和回归任务，网络能更有效地学习目标的语义信息和空间位置信息，从而提高目标检测的准确性和鲁棒性。

2) 动态样本匹配。YOLOX采用基于最优传输分配的动态正负样本分配策略。在确定正样本候选区域时，以特征图不同尺度的网格中心点为圆心，选择该区域内的真实框(Ground Truth，GT)。特征图的尺度包括20×20、40×40和80×80等。在使用较小尺度特征图时，可能导致正样本匹配不准确。随着特征图尺度的增大，GT更容易与较小的GT匹配，但较小尺度特征图能够匹配的GT数量较少。最优传输分配策略通过减少锚框数量，降低模型参数和计算复杂度，同时提升检测速度。

1.2 嵌入NAM机制

隧道摄像头图像中，初期火灾通常光亮度较弱且伴有稀薄烟雾，受隧道灯光等干扰，影响特征提取。引入NAM，置于骨干网络后，关注小尺度目标特征，抑制噪声和干扰，增强鲁棒性与识别精度。NAM通过加权处理特征图，突出火焰和烟雾等显著特征，抑制背景干扰，提升目标识别精度和模型性能。通过权重稀疏惩罚机制，NAM降低不显著特征的权重，突出显著特征。图3为NAM机制示意，该机制通过重构通道注意力和空间注意力子模块来增强特征表达能力。

通道注意力模块使用批量归一化(Batch Normalization，BN)函数的缩放因子来衡量每个通道特征的权重，缩放因子越大，通道的权重越大。BN函数的输出特征B_o为：

(1)

B o = B N (B i) = γ B N B i - μ B σ B 2 + ε + β

式中：B_i为输入特征；γ_BN为可训练的缩放因子；μ_B为批量B的均值；

σ B 2

为B的方差；ε为无穷小量；β为可训练的平移参数。

通道注意力模块的输出特征M_c为：

(2)

M c = S i g m o i d {W i [B N (T 1)]} W i = γ i ∑ j = 0 γ j

式中：W_i为通道i的权重；T₁为输入特征图；γ_i为通道i的缩放因子。

空间注意力模块的输出特征M_s为：

(3)

M s = s i g m o i d {Q i [B N (T 2)]} Q i = λ i ∑ j = 0 λ j

式中：Q_i为空间i的权重；λ_i为空间i的缩放因子。

1.3 引入BiFPN

隧道初期火灾检测对检测算法的实时性和准确性要求高。原YOLOX网络结构在处理不同尺寸特征图时，采用简单相加的融合方式，在目标检测任务中精度受到一定限制。为保证实时性的前提下进一步提升对隧道初期火灾的检测精度，对网络结构进行优化。图4为2种网络结构的对比，YOLOX原颈部结构为特征金字塔网络(Feature Pyramid Network，FPN)，采用简单的特征加法融合，而BiFPN过加权双向特征融合的方式和减少冗余连接，网络结构更加简洁，在提升特征融合效果的同时，兼顾模型的效率。

BiFPN加权融合机制是将所有特征值的总和直接除以权重，经过融合的输出特征O为：

(4)

O = ∑ i η i ν ∑ j η j * I i

式中：η_i为第i层输入特征可学习的权重；ν为近似于0的最小值，防止分母为0；I_i(i=1，2，…，5)为第i层输入特征。

BiFPN的第i层的特征融合表达式为：

(5)

P o i = c o n v w' 1 · P i i + w' 2 · P t d i + w' 3 · R (P i - 1 i) w' 1 + w' 2 + w' 3 + ν

式中：

P o i

为第i层的输出特征；

P i i

为自底向上的BiFPN路径上第i层的输入特征；

P t d i

为同一层中间层的特征；R为下采样或上采样操作；权重

w m' (m = 1，2 ， 3)

为权重参数。

YOLOX引入BiFPN优化网络，通过移除仅有一条输入边的特征图以减少冗余信息、提升计算效率，将被移除的单输入边特征图连接至下一层，以实现跨尺度特征融合，并在同一层网络中增加额外的输入边，以增强网络的信息流动性和多样性，从而提升特征表达能力，改进后网络结构如图5所示。

1.4 损失函数优化

传统的单阶段和2阶段检测器采用边界框回归技术使用L_n-n损失函数进行目标检测。近年，交并比(Intersection over Union，IoU)损失函数逐渐取代L_n-n。IoU为：

(6)

I o U = A ⋂ B A ⋃ B

式中A、B分别为真实边界框和预测边界框的区域。

L_IoU损失函数定义为：

(7)

L I o U = 1 - I o U

当2个边界框完全重叠时，IoU为1。为避免IoU预测框未能与真实框精确重合对检测结果准确性的影响，训练过程采用基于参数α损失函数

L α - I o U

^[18]：

(8)

L α - I o U = (1 - I o U α) / α ， α > 0

式中：α为调节因子，只能取正值。当α=1时，

L α - I o U

为L_IoU；当α→0时，

L α - I o U

：

(9)

L α - I o U = - l o g (I o U)

当α≥1时，

L α - I o U

：

(10)

L α - I o U = 1 - I o U α 1 + F α 2 (K ， K g t)

式中：α₁为变化敏感度，α₁>0；α₂为惩罚程度，α₂>0，

F α 2

为预测框K和真实框K^gt的惩罚项。

利用式(10)对基于IoU的损失进行转换。然后通过使用L_CIoU转换为

L α - C I o U

，使用α和惩罚参数F^α(K，K^gt)计算预测和真实边界框：

(11)

L α - C I o U = 1 - I o U α + ρ 2 α (b ， b g t) c 2 α + (τ v) α v = 4 π 2 a r c t a n ω g t h g t - a r c t a n ω h 2 τ = v (1 - I o U) + v

式中：ρ为欧氏距离；b、b^gt分别为预测框K和真实框K^gt的中心点；c为最小框的对角线长度；ω^gt/h^gt和ω/h分别为真实框和预测框的长宽比。

2 基于改进YOLOX的隧道火灾检测算法

收起

2.1 隧道火灾数据集

由于缺乏公开且标注完善的公路隧道火灾数据集，通过网络采集、模拟地下人行通道火灾试验以及扩充现有公开数据集的方式，构建一个包含火焰和烟雾2类样本的公路隧道火灾数据集。通过亮度调整、高斯模糊等方式增加样本多样性，增强模型对不同条件的适应性，如图6所示。每张图片随机应用1到2种增强方法，最终构建包含20 000张图像的公路隧道火灾数据集。为满足隧道特殊场景的需求，并将测试集划分为2类，即模拟隧道火灾数据集Ⅰ和真实隧道火灾数据集Ⅱ。

2.2 运行环境

基于Windows11专业版操作系统的工作站验证算法，硬件配置包括高性能图形处理和6核12线程处理器、32GB内存以及高速存储系统，软件环境为Python 3.6。为降低200个训练周期内过拟合的风险，训练过程采用学习率预热策略。初始学习率逐渐升至0.000 15，并采用余弦退火算法进行动态调整。批处理大小设置为8，预热训练迭代次数为5。

2.3 算法评价指标

模型评价指标精确率P、召回率R、平均精度均值(mean Average Precision，mAP)。平均精度P_A是以R为横轴，P为纵轴构成的曲线下的面积;mAP是对所有类别的P_A求平均值；其中P和R可表示为：

(12)

P = T P / T P + F P

(13)

R = T P / T P + F N

式中：T_P为预测和标签都为正的样本数量；F_P为预测为正，但标签为负的样本数量;F_N为预测为负，但标签为正的样本数量。

2.4 消融结果与分析

为系统地评估嵌入NAM机制、BiFPN及损失函数对YOLOX网络火灾目标检测性能的影响，构建包含真实火灾场景的自制公路隧道火灾数据集，并基于该数据集开展各个模块的消融分析，结果见表1。

从表1可知：对比原始网络和单独添加改进模块的网络，添加所有改进策略的YOLOX网络在mAP@0.5、mAP@0.5~0.95、P和R相比YOLOX模型分别提升1.89%、0.88%、4.57%、5.45%。YOLOX在添加NAM模块后，mAP@0.5、mAP@0.5~0.95、P和R分别提升0.50%、0.23%、1.04%和1.24%，表明NAM能有效抑制背景噪声干扰。BiFPN模块的引入相较于原模型，精确率提升3.15%，说明BiFPN特征融合路径有效增强检测能力。综上，改进后YOLOX网络对于提高对隧道环境复杂背景条件下初期火灾的检测精度有积极作用，验证YOLOX改进模型在模拟数据集和真实火灾数据集中对烟火的检测效果，部分检测结果如图7所示。

由图7可知：改进后的模型在模拟数据集上可实现火焰与烟雾的完整检测；针对真实场景中的低光照环境，仍能保持烟火检测精度；在复杂光照条件下有效抑制光源干扰引起的烟雾误检现象，这证明了算法的优越性。

2.5 算法对比分析

从测试集中选取若干图像，对比分析改进YOLOX网络模型与原YOLOX模型在目标检测能力上的差异，结果如图8所示。

图8中，每组图像的左侧为原YOLOX模型的检测结果，右侧为改进后的YOLOX模型的检测结果。对比可见：改进后的YOLOX模型显著提升检测精度，尤其在纯火焰、纯烟雾及隧道场景中表现突出，对复杂背景下的烟火检测能力显著增强。

对比分析快速区域卷积网络(Fast Region-Convolutional Neural Network，Faster R-CNN)、RetinaNet、YOLOv5s、单步多框检测器(Single Shot MultiBox Detector，SSD)、YOLOv3和YOLOv4等具有代表性的目标检测算法与原YOLOX模型及本文提出的YOLOX-T模型，所有检测算法输入图像尺寸均统一为640×640像素，对比指标为mAP@0.5和P，结果见表2。可以看出，原始YOLOX模型在火焰烟雾检测任务中mAP@0.5和精确率指标更高，已展现出优越性能。而YOLOX-T模型较原始YOLOX模型，mAP@0.5提升2.23%，精确率提升4.57%，性能提升幅度明显。

3 结论

收起

1) YOLOX-T算法采用BiFPN结构进行多尺度特征融合。相比于传统的特征金字塔网络，BiFPN的双向跨尺度连接和加权特征融合方式可显著提升模型对不同大小火灾目标的检测能力。

2) YOLOX-T的mAP@0.5和mAP@0.5~0.95分别提高1.89%和0.88%，精确率提高4.57%，这表明该算法能更准确地识别隧道初期火灾。

基金

收起

重庆市自然科学基金面上项目资助(CSTB2023NSCQ-MSX0551)
交通部三峡库区奉建高速公路安全智能建造科技示范工程项目(Z29210003)
2024年研究生科研创新项目(2024S0078)
2024年研究生科研创新项目(CYS240483)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

交通运输部. 2023年交通运输行业发展统计公报[R/OL]. (2024-06-18). https://www.gov.cn/lianbo/bumen/202406/content_6957901.htm https://www.gov.cn/lianbo/bumen/202406/content_6957901.htm

[2]

何潇剑. 公路隧道消防灭火系统优化设计研究[J]. 隧道建设, 2017, 37(4):505-509.

Xiaojian

. Study of optimization design of firefighting system of highway tunnel[J]. Tunnel Construction, 2017, 37(4):505-509.

[3]

张思祥, 甘凯, 周围. 提高火灾烟雾传感器检测精度的方法[J]. 传感器与微系统, 2021, 40(1):151-153.

ZHANG

Sixiang

, GAN

Kai

, ZHOU

Wei

. Method for detection precision improving of fire smog sensor[J]. Transducer and Microsystem Technologies, 2021, 40(1):151-153.

[4]

李先锋, 徐森, 花义明. 基于OpenCV计算机视觉的海事视频船舶火灾烟雾检测技术[J]. 舰船科学技术, 2021, 43(22):202-204.

Xianfeng

, XU

Sen

, HUA

Yiming

. Maritime video ship fire smoke detection technology based on OpenCV computer vision[J]. Ship Science and Technology, 2021, 43(22):202-204.

[5]

ÇELIK

, DEMIREL

. Fire detection in video sequences using a generic color model[J]. Fire Safety Journal, 2009, 44(2):147-158.

[6]

MONDAL

M S

, PRASAD

, KUMAR

, et al. Automating fire detection and suppression with computer vision: a multi-layered filtering approach to enhanced fire safety and rapid response[J]. Fire Technology, 2023, 59(4):1555-1583.

[7]

TORABIAN

, POURGHASSEM

, MAHDAVI-NASAB

. Fire detection based on fractal analysis and spatio-temporal features[J]. Fire Technology, 2021, 57(5):2583-2614.

[8]

马庆禄, 孙枭, 唐小垚, 等. 基于改进YOLOv5s算法的隧道初期火灾检测模型[J]. 中国安全科学报, 2023, 33(10):214-223.

Qinglu

, SUN

Xiao

, TANG

Xiaoyao

, et al. Optimization method for tunnel initial fire detection based on YOLOv5s algorithm[J]. China Safety Science Journal, 2023, 33(10):214-223.

[9]

胡勤, 陈琛, 刘敏. 一种基于动态纹理的烟雾和火焰检测方法[J]. 消防科学与技术, 2014, 33(6): 667-669.

Qin

, CHEN

Chen

, LIU

Min

. A smoke and fire detection method based on dynamic texture[J]. Fire Science and Technology, 2014, 33(6):667-669.

[10]

李宁, 刘青, 熊俊, 等. 基于无人机的火灾检测系统设计与实现[J]. 火灾科学, 2022, 31(1):46-51.

Ning

, LIU

Qing

, XIONG

Jun

, et al. Design and implementation of fire detection system based on UAV[J]. Fire Safety Science, 2022, 31(1):46-51.

[11]

李澎林, 章军伟, 李伟. 基于光流改进与YOLOv3的烟雾检测方法[J]. 浙江工业大学学报, 2021, 49(1):9-15.

Penglin

, ZHANG

Junwei

, LI

Wei

. Smoke detection method based on optical flow improvement and YOLOv3[J]. Journal of Zhejiang University of Technology, 2021, 49(1):9-15.

[12]

王冠博, 杨俊东, 李波, 等. 改进YOLOv4的火焰图像实时检测[J]. 计算机工程与设计, 2022, 43(5):1358-1365.

WANG

Guanbo

, YANG

Jundong

, LI

, et al. Real-time flame image detection using improved YOLOv4[J]. Computer Engineering and Design, 2022, 43(5):1358-1365.

[13]

曹康壮, 焦双健. 融合注意力机制的轻量级火灾检测模型[J]. 消防科学与技术, 2024, 43(3):378-383.

CAO

Kangzhuang

, JIAO

Shuangjian

. A lightweight fire detection model integrating attention mechanism[J]. Fire Science and Technology, 2024, 43(3):378-383.

[14]

尚明鹏, 周敏, 陈燕军, 等. 融合BiFPN与YOLOv5网络的工厂火灾检测[J]. 智能计算机与应用, 2023, 13(10):137-141,146.

SHANG

Mingpeng

, ZHOU

Min

, CHEN

Yanjun

, et al. Factory fire detection with BiFPN and YOLOv5[J]. Intelligent Computer and Applications, 2023, 13(10):137-141,146.

[15]

张军, 尹柳, 巩欣飞, 徐赫桦. 基于改进YOLOv5的小目标烟雾检测算法[J]. 中国安全科学学报, 2023, 33(11):75-81.

ZHANG

Jun

, YIN

Liu

, GONG

Xinfei

, XU

Hehua

. Small target smoke detection algorithm based on improved YOLOv5[J]. China Safety Science Journal, 2023, 33(11):75-81.

[16]

Zheng

, LIU

Songtao

, WANG

Feng

, et al. YOLOX:exceeding YOLO series in 2021[EB/OL]. [2024-07-05]. https://arxiv.org/abs/2107.08430v2 https://arxiv.org/abs/2107.08430v2

[17]

TAN

Mingxing

, QUOC

. Efficientnet: rethinking model scaling for convolutional neural networks[C]. International Conference on Machine Learning. PMLR, 2019: 6105-6114.

[18]

Jiabo

, ERFANI

, MA

Xingjun

, et al. α-IoU: a family of power intersection over union losses for bounding box regression[EB/OL]. [2024-07-05]. https://arxiv.org/abs/2110.13675 https://arxiv.org/abs/2110.13675

2025年第35卷第4期

PDF下载

401

142

引用本文

BibTeX

文章信息

doi: 10.16265/j.cnki.issn1003-3033.2025.04.0960

接收时间：2024-11-15
首发时间：2025-07-05
出版时间：2025-04-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-11-15
修回日期：2025-01-19

基金

重庆市自然科学基金面上项目资助(CSTB2023NSCQ-MSX0551)

交通部三峡库区奉建高速公路安全智能建造科技示范工程项目(Z29210003)

2024年研究生科研创新项目(2024S0078)

2024年研究生科研创新项目(CYS240483)

作者信息

重庆交通大学交通运输学院，重庆 400074

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zgaqkxxb/CN/10.16265/j.cnki.issn1003-3033.2025.04.0960

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

模型	改进策略
模型	NAM	BiFPN	α-IoU	mAP@0.5	mAP@0.5~0.95	P	R
YOLOX	—	—	—	82.89	70.23	93.37	82.34
A	√	—	—	83.39	70.46	94.41	83.58
B	√	√	—	82.98	70.61	96.52	83.77
YOLOX-T	√	√	√	84.78	71.11	97.94	87.79