基于YOLOX輕量化網(wǎng)絡(luò)的公路監(jiān)控場(chǎng)景煙霧識(shí)別

杜漸，宋建斌，胡弘毅，符鋅砂

（1.招商新智科技有限公司，北京 100073；2.華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510641）

0 引言

截至2020 年末，我國(guó)公路總里程已達(dá)到519.81 萬(wàn)km[1]。公路運(yùn)營(yíng)安全受到全社會(huì)的廣泛關(guān)注，高速公路特別是隧道路段一旦發(fā)生火災(zāi)，若不能第一時(shí)間發(fā)現(xiàn)險(xiǎn)情，往往容易演變成重特大交通事故，給人民群眾生命財(cái)產(chǎn)安全造成極大的威脅[2]。因此，火災(zāi)煙霧的及時(shí)識(shí)別與報(bào)警對(duì)于道路運(yùn)營(yíng)管理非常重要。隨著我國(guó)高速公路的監(jiān)控系統(tǒng)由初期的重點(diǎn)路段監(jiān)控逐步發(fā)展為全路段無(wú)盲點(diǎn)的視頻監(jiān)控覆蓋，基于監(jiān)控視頻圖像對(duì)公路火災(zāi)事件進(jìn)行識(shí)別研究非常重要。

早期多采用傳統(tǒng)圖像處理方式提取圖像特征，建立煙霧識(shí)別模型。胡燕等[3]根據(jù)煙霧運(yùn)動(dòng)特征，通過(guò)Harris 檢測(cè)算法尋找特征點(diǎn)，計(jì)算運(yùn)動(dòng)矢量信息，實(shí)現(xiàn)多特征煙霧識(shí)別。劉鵬[4]融合背景差分法和RGB 顏色特征檢測(cè)獲取圖像中的疑似煙霧區(qū)域，并采用Adaboost 分類器檢測(cè)煙霧面積與邊界。類似地，袁雯雯等[5]提出基于改進(jìn)高斯混合模型（Gaussian Mixture Model,GMM）的林火煙霧識(shí)別算法，融合背景差分法提取場(chǎng)景光照特征，檢測(cè)場(chǎng)景中相對(duì)完整的動(dòng)態(tài)煙霧區(qū)域。然而傳統(tǒng)圖像處理方法的特征提取能力有限，建立的模型泛化能力不強(qiáng)，對(duì)于不同的場(chǎng)景，模型的檢測(cè)效果往往差別很大。隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）[6]在目標(biāo)檢測(cè)領(lǐng)域中發(fā)展出Faster R-CNN[7],YOLO[8]等識(shí)別網(wǎng)絡(luò)，不少學(xué)者也在煙霧識(shí)別研究中應(yīng)用了深度學(xué)習(xí)方法。楊明瀟[9]通過(guò)人工采集和公開林火煙霧數(shù)據(jù)集訓(xùn)練Faster R-CNN,SSD 和VGG神經(jīng)網(wǎng)絡(luò)，基于神經(jīng)網(wǎng)絡(luò)構(gòu)建了煙霧識(shí)別可視化平臺(tái)，識(shí)別準(zhǔn)確率達(dá)到75%。馮路佳等[10]提出了一種基于目標(biāo)區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)火災(zāi)煙霧識(shí)別方法，構(gòu)建2 層的火災(zāi)煙霧識(shí)別模型，提取煙霧目標(biāo)區(qū)域并輸入識(shí)別層，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)精細(xì)提取煙霧的深層特征后進(jìn)行分類，完成火災(zāi)煙霧的識(shí)別。Saponara等[11]基于YOLOv2網(wǎng)絡(luò)構(gòu)建了室內(nèi)火災(zāi)識(shí)別系統(tǒng)對(duì)固定場(chǎng)景火災(zāi)進(jìn)行識(shí)別報(bào)警。卷積神經(jīng)網(wǎng)絡(luò)特別是深度卷積神經(jīng)網(wǎng)絡(luò)，由于具有多層線性與非線性映射參數(shù)，對(duì)圖像數(shù)據(jù)的特征提取能力相較于傳統(tǒng)手工特征提取方法有了很大提高，但由于網(wǎng)絡(luò)層數(shù)多，造成網(wǎng)絡(luò)參數(shù)量大，計(jì)算復(fù)雜度高，網(wǎng)絡(luò)參數(shù)和中間層輸出占用大量計(jì)算資源和顯存，導(dǎo)致深度卷積神經(jīng)網(wǎng)絡(luò)在邊緣端需要布設(shè)多臺(tái)設(shè)備才能同時(shí)處理多臺(tái)公路監(jiān)控?cái)z像機(jī)的圖像輸入，同時(shí)為訓(xùn)練出精度滿足實(shí)際識(shí)別要求的卷積神經(jīng)網(wǎng)絡(luò)而需要導(dǎo)入大量圖像數(shù)據(jù)，故對(duì)訓(xùn)練樣本的標(biāo)注質(zhì)量也有較高要求。

針對(duì)公路場(chǎng)景煙霧識(shí)別的精度問(wèn)題，本文基于目前目標(biāo)檢測(cè)領(lǐng)域的新型網(wǎng)絡(luò)YOLOX[12]進(jìn)行研究，深入分析其結(jié)構(gòu)與特征提取優(yōu)勢(shì)，同時(shí)人工收集公路場(chǎng)景煙霧圖像結(jié)合部分Smoke100K 數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，采用數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，提高訓(xùn)練集的多樣性，從而提高網(wǎng)絡(luò)在不同場(chǎng)景下的識(shí)別能力。針對(duì)深層卷積網(wǎng)絡(luò)計(jì)算資源占用過(guò)多的問(wèn)題，利用深度可分離卷積方法壓縮網(wǎng)絡(luò)主體結(jié)構(gòu)，實(shí)驗(yàn)階段構(gòu)建并對(duì)比分析不同結(jié)構(gòu)網(wǎng)絡(luò)的煙霧識(shí)別精確度，旨在搭建滿足精確度要求且計(jì)算資源占用盡量小的模型，實(shí)現(xiàn)基于視頻圖像的公路場(chǎng)景火災(zāi)煙霧智能識(shí)別及工程應(yīng)用。

1 研究方法

近年來(lái)，目標(biāo)識(shí)別網(wǎng)絡(luò)在交通行業(yè)的應(yīng)用越來(lái)越普遍，YOLO 系列識(shí)別網(wǎng)絡(luò)在車輛識(shí)別[13]、行人識(shí)別[14]、交通標(biāo)志檢測(cè)[15]等任務(wù)中取得了較好的效果。然而對(duì)于公路場(chǎng)景下的煙霧識(shí)別，由于煙霧的形狀不固定，公開的訓(xùn)練數(shù)據(jù)集較少，傳統(tǒng)的目標(biāo)識(shí)別網(wǎng)絡(luò)對(duì)煙霧的識(shí)別效果一般，因此在煙霧識(shí)別任務(wù)中對(duì)目標(biāo)識(shí)別網(wǎng)絡(luò)的特征提取能力有更高的要求。同時(shí)，由于公路場(chǎng)景一般由多攝像頭同時(shí)監(jiān)控，若模型參數(shù)過(guò)于龐大，對(duì)硬件算力和存儲(chǔ)需求較高，將直接導(dǎo)致計(jì)算成本大幅增加，因此追求模型精度的同時(shí)必須盡量減少網(wǎng)絡(luò)的參數(shù)量與中間層輸出。

YOLOX 網(wǎng)絡(luò)在YOLOv5[16]的基礎(chǔ)上對(duì)模型網(wǎng)絡(luò)作了優(yōu)化，在特征提取部分采用了CSPDarknet網(wǎng)絡(luò)[17]，獲取特定特征層作特征融合后，在分類回歸層中采用了YOLOHead[12]方法，對(duì)傳統(tǒng)YOLO網(wǎng)絡(luò)的分類回歸層結(jié)構(gòu)作了優(yōu)化調(diào)整。本文針對(duì)公路場(chǎng)景下的煙霧識(shí)別問(wèn)題，構(gòu)建了小型煙霧圖像數(shù)據(jù)集，網(wǎng)絡(luò)訓(xùn)練過(guò)程中在圖像預(yù)處理上采用Mosaic 數(shù)據(jù)增強(qiáng)方法[17]，提升了數(shù)據(jù)的多樣性，同時(shí)為了實(shí)現(xiàn)網(wǎng)絡(luò)輕量化，采用深度可分離卷積的方法壓縮主干網(wǎng)絡(luò)，構(gòu)建nano網(wǎng)絡(luò)，降低了部分精度但大大精簡(jiǎn)了網(wǎng)絡(luò)結(jié)構(gòu)的總參數(shù)量。本文就YOLOX 主干網(wǎng)絡(luò)、模型輕量化方法進(jìn)行分析。

1.1 主干網(wǎng)絡(luò)

YOLOX 的主干網(wǎng)絡(luò)包括3 部分，分別是特征提取層CSPDarknet 網(wǎng)絡(luò)、特征融合層以及分類回歸層YOLOHead。

1.1.1 特征提取

CSPDarknet 網(wǎng)絡(luò)是通過(guò)堆疊多個(gè)Resblock body 模塊對(duì)圖像特征進(jìn)行提取，具體結(jié)構(gòu)見表1。首先輸入640×640 的RGB 三通道圖像并通過(guò)Focus對(duì)圖像尺寸和通道數(shù)進(jìn)行調(diào)整。利用4個(gè)堆疊的Resblock body 模塊作特征提取。Resblock body模塊由卷積層與CSPlayer 層組成，其中CSPlayer層優(yōu)化了參數(shù)數(shù)量并保留了較好的特征提取能力。最終CSPDarknet 的輸出是第2,3,4 個(gè)Resblock body模塊的輸出特征圖。

表1 CSPDarknet結(jié)構(gòu)

1.1.2 特征融合

CSPDarknet 輸出的3 個(gè)特征圖會(huì)輸入至特征融合層，用作特征融合與加強(qiáng)特征提取。特征融合層采用YOLOv4 的Panet 結(jié)構(gòu)[17]，輸入特征圖通過(guò)卷積層調(diào)整尺寸，通過(guò)上、下采樣層（UpSampling2D,DownSampling2D）作特征融合。特征融合層的有效輸出是部分CSPlayer層的輸出特征圖，特征融合層的具體結(jié)構(gòu)見圖1。最終用于分類回歸層的有效特征圖為輸出特征圖6,7,8。

1.1.3 分類回歸

完成特征融合與加強(qiáng)特征提取后，3 張輸出特征圖將分別輸入至分類回歸層YOLOHead，最終輸出網(wǎng)絡(luò)識(shí)別結(jié)果，包括物體識(shí)別的種類和標(biāo)注框的坐標(biāo)。傳統(tǒng)YOLO 系列識(shí)別網(wǎng)絡(luò)的分類回歸層通過(guò)1×1 卷積層實(shí)現(xiàn)分類和回歸同時(shí)處理，但YOLOHead 具有2 條卷積分支，其中一條卷積分支用于實(shí)現(xiàn)物體分類（Cls），輸出物體識(shí)別類型；另一條卷積分支用于判斷特征點(diǎn)中物體是否存在（Obj）和回歸標(biāo)注框坐標(biāo)（Reg）。YOLOHead的具體結(jié)構(gòu)如圖2所示。

1.2 深度可分離卷積

Sifre等[18]提出的深度可分離卷積是網(wǎng)絡(luò)輕量化的重要方法。該方法將標(biāo)準(zhǔn)卷積操作拆分為深度卷積和逐點(diǎn)卷積兩個(gè)步驟。通過(guò)深度可分離卷積方法，在盡量減少網(wǎng)絡(luò)精度損失的同時(shí)，可大大精簡(jiǎn)網(wǎng)絡(luò)參數(shù)，減少運(yùn)算量。

標(biāo)準(zhǔn)卷積過(guò)程中，取N組具有相同尺寸（Dk×Dk×C）的卷積核對(duì)輸入圖像進(jìn)行卷積，假設(shè)需要的特征圖尺寸為（W×H×N）,卷積核參數(shù)總量（P）和卷積操作的總運(yùn)算量即內(nèi)積運(yùn)算量（CA）的計(jì)算公式分別如式（1）、式（2）所示。

標(biāo)準(zhǔn)卷積操作如圖3（a）所示，假設(shè)輸入的圖像尺寸為10×10×3，通過(guò)3×3×3 的卷積核可以卷積獲得1個(gè)8×8×1的特征圖，若堆疊256組具有相同尺寸的卷積核則可以對(duì)輸入圖像卷積獲得8×8×256 的輸出特征圖。對(duì)于該標(biāo)準(zhǔn)卷積操作，根據(jù)式（1）、式（2），該卷積層參數(shù)量為3×3×3×256，共6 912；內(nèi)積運(yùn)算量為3×3×3×256×8×8，共442 368。

深度可分離卷積則包含2個(gè)步驟，如圖3（b）所示。第1 步是深度卷積。深度卷積的卷積核為單通道形式（3×3×1），取3 組卷積核對(duì)圖像進(jìn)行標(biāo)準(zhǔn)卷積操作，此時(shí)獲取的特征層尺寸維度為8×8×3，深度卷積的卷積核參數(shù)量為3×3×1×3，共27；總運(yùn)算量為3×3×1×3×8×8，共1 728。第2 步是逐點(diǎn)卷積。逐點(diǎn)卷積的卷積核為3 通道但尺寸為1×1，采用256組相同的1×1×3的卷積核對(duì)深度卷積的輸出圖像進(jìn)行標(biāo)準(zhǔn)卷積操作，即可獲得與標(biāo)準(zhǔn)卷積方法相同的8×8×256 輸出特征圖，逐點(diǎn)卷積的卷積核參數(shù)量為1×1×3×256，共768；總運(yùn)算量為1×1×3×256×8×8，共49 152。在完整的深度可分離卷積過(guò)程中，卷積層總參數(shù)量為27+768=795，內(nèi)積運(yùn)算量為1728+49152=50880。相較于標(biāo)準(zhǔn)卷積，深度可分離卷積的卷積層總參數(shù)量與內(nèi)積運(yùn)算量均顯著減少。

兩種方法各自需要的卷積層參數(shù)量、內(nèi)積運(yùn)算量如表2 所示。深度可分離卷積方法可壓縮網(wǎng)絡(luò)規(guī)模和減少運(yùn)算量，在利用相同寬和高的卷積核獲取固定尺寸特征圖的過(guò)程中，深度可卷積方法的總參數(shù)量與內(nèi)積運(yùn)算量均為標(biāo)準(zhǔn)卷積方法的1/N+1/Dk2，是實(shí)現(xiàn)輕量化的關(guān)鍵。nano 網(wǎng)絡(luò)是在普通YOLOX 網(wǎng)絡(luò)的基礎(chǔ)上運(yùn)用深度可分離卷積方法精簡(jiǎn)參數(shù)構(gòu)建的輕量化網(wǎng)絡(luò)。

表2 兩種卷積方法對(duì)比

2 實(shí)驗(yàn)

2.1 煙霧數(shù)據(jù)集

本文搜集了多個(gè)高速公路路段不同監(jiān)控場(chǎng)景、不同攝像機(jī)視角下的煙霧圖像樣本，同時(shí)為了增加樣本場(chǎng)景的多樣性，數(shù)據(jù)集中加入了公開數(shù)據(jù)集Smoke100K[19]的部分煙霧數(shù)據(jù)圖像。數(shù)據(jù)集共有圖像5 367 張，對(duì)圖像中的煙霧部分進(jìn)行了人工標(biāo)注，按照7∶1∶2 劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，部分樣本實(shí)例及標(biāo)注形式如圖4所示。數(shù)據(jù)集導(dǎo)入網(wǎng)絡(luò)訓(xùn)練前，采用Mosaic 數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。

2.2 數(shù)據(jù)增強(qiáng)

由于實(shí)驗(yàn)收集標(biāo)注的煙霧數(shù)據(jù)集為小型數(shù)據(jù)集，訓(xùn)練樣本量較少且存在重復(fù)場(chǎng)景，為了增加煙霧樣本的多樣性，豐富目標(biāo)的背景，本文在圖像數(shù)據(jù)預(yù)處理過(guò)程中采用了Mosaic 數(shù)據(jù)增強(qiáng)方法[17]，盡量避免網(wǎng)絡(luò)在訓(xùn)練過(guò)程中陷入過(guò)擬合，以提高網(wǎng)絡(luò)的識(shí)別精確度與泛化能力。

Mosaic 數(shù)據(jù)增強(qiáng)對(duì)訓(xùn)練集的具體操作如圖5所示。首先從總的訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取一批圖像，然后從該批圖像中隨機(jī)選出4 張，再對(duì)4 張圖像分別進(jìn)行隨機(jī)裁剪、放縮、旋轉(zhuǎn)操作，最后拼接為新的圖像并作為網(wǎng)絡(luò)訓(xùn)練的輸入圖像。需要注意的是，處理過(guò)程中的圖像是含有標(biāo)注框坐標(biāo)信息的，因此獲取的新圖像同樣含有煙霧標(biāo)注框的坐標(biāo)信息。

2.3 實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)的機(jī)器配置如下：一個(gè)NVIDIA GTX-3060-12G 圖形處理器（GPU）和一個(gè)AMD Ryzen 7 5800X 中央處理器（CPU）?；谏疃葘W(xué)習(xí)框架Pytorch 搭建YOLOX 目標(biāo)檢測(cè)模型，即根據(jù)結(jié)構(gòu)與參數(shù)量的不同搭建YOLOX-m,YOLOX-s,YOLOX-tiny 和YOLOX-nano 共4 種目標(biāo)檢測(cè)模型。在訓(xùn)練階段導(dǎo)入煙霧數(shù)據(jù)集測(cè)試之前，為了提高網(wǎng)絡(luò)的泛化能力，預(yù)訓(xùn)練權(quán)重采用經(jīng)由大型數(shù)據(jù)集COCO[20]訓(xùn)練的模型參數(shù)，梯度下降優(yōu)化策略采用Adam 優(yōu)化器。實(shí)驗(yàn)過(guò)程中采用兩階段訓(xùn)練法：第1 階段凍結(jié)網(wǎng)絡(luò)主體參數(shù)，僅訓(xùn)練網(wǎng)絡(luò)分類層參數(shù)，初始學(xué)習(xí)率設(shè)置為0.00 1；第2階段訓(xùn)練網(wǎng)絡(luò)所有參數(shù)，初始學(xué)習(xí)率設(shè)置為0.00 01。實(shí)驗(yàn)過(guò)程中兩階段各訓(xùn)練60 個(gè)迭代（epoch），共訓(xùn)練120 個(gè)迭代。需要對(duì)原始圖像作預(yù)處理，壓縮為640×640 的RGB 圖像，同時(shí)不同參數(shù)規(guī)模的網(wǎng)絡(luò)每批次輸入的最大圖片數(shù)量也有所不同：對(duì)于YOLOX-m 和YOLOX-s，第1 階段每批次輸入圖像數(shù)為64，第2 階段每批次輸入圖像數(shù)為16；對(duì)于YOLOX-tiny和YOLOX-nano，第1階段每批次輸入圖像數(shù)為128，第2 階段每批次輸入圖像為32。通過(guò)實(shí)驗(yàn)設(shè)置可以發(fā)現(xiàn)，網(wǎng)絡(luò)結(jié)構(gòu)越精簡(jiǎn)、參數(shù)量越少的網(wǎng)絡(luò)同一批次能處理的圖像數(shù)量越多。

2.4 實(shí)驗(yàn)結(jié)果與分析

本節(jié)對(duì)YOLOX 不同規(guī)模的目標(biāo)檢測(cè)網(wǎng)絡(luò)（m,s,tiny,nano）進(jìn)行對(duì)比。以精確度（Precision）作為實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)，具體網(wǎng)絡(luò)參數(shù)與實(shí)驗(yàn)結(jié)果如表3所示。識(shí)別效果實(shí)例見圖6。

表3 YOLOX不同規(guī)模網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果對(duì)比

由實(shí)驗(yàn)結(jié)果可知：

（1）4 種規(guī)模的YOLOX 在公路場(chǎng)景下的煙霧識(shí)別精確度均達(dá)到90%以上。其中，tiny,s,m 網(wǎng)絡(luò)的識(shí)別精確度達(dá)到了95%以上，可以滿足實(shí)際運(yùn)營(yíng)管理要求。就同系列YOLOX 的網(wǎng)絡(luò)精度與規(guī)模而言，本次實(shí)驗(yàn)結(jié)果符合目標(biāo)檢測(cè)網(wǎng)絡(luò)的一般性結(jié)果，即：結(jié)構(gòu)層數(shù)越多、參數(shù)量越多的卷積神經(jīng)網(wǎng)絡(luò)特征提取能力越強(qiáng)，模型的泛化能力越強(qiáng)，識(shí)別精確度越高。

（2）4 種網(wǎng)絡(luò)的精確度差異不超過(guò)10%。測(cè)試過(guò)程中每秒識(shí)別幀數(shù)（Frames Per Second,FPS）均大于30，但網(wǎng)絡(luò)模型大小與總參數(shù)量差異極大，tiny網(wǎng)絡(luò)和nano網(wǎng)絡(luò)在普通YOLOX 網(wǎng)絡(luò)基礎(chǔ)上作了極大的精簡(jiǎn)，tiny 網(wǎng)絡(luò)模型大小及總參數(shù)量是m 網(wǎng)絡(luò)的1/5，nano 網(wǎng)絡(luò)模型大小及總參數(shù)量?jī)H為m 網(wǎng)絡(luò)的1/25，說(shuō)明在相同硬件條件下輕量化模型tiny 和nano 能處理更多的輸入圖像。由于目前高速公路運(yùn)營(yíng)管理部門普遍設(shè)置多攝像頭同時(shí)對(duì)公路交通狀況進(jìn)行監(jiān)控，而輕量化網(wǎng)絡(luò)模型能同時(shí)處理多攝像頭傳輸圖像，因此能有效減少需要布置的圖像處理設(shè)備數(shù)量，在滿足識(shí)別精確度的前提下降低設(shè)備成本。

綜上所述，YOLOX 網(wǎng)絡(luò)模型在煙霧識(shí)別精度與速度方面均滿足使用要求，輕量化模型tiny網(wǎng)絡(luò)和nano 網(wǎng)絡(luò)在模型大小和參數(shù)量指標(biāo)上較m網(wǎng)絡(luò)和s 網(wǎng)絡(luò)有較大改善，能更好地完成多圖像并行處理的識(shí)別任務(wù)，滿足對(duì)多交通視頻流同時(shí)進(jìn)行煙霧識(shí)別的工程應(yīng)用需求。

3 結(jié)語(yǔ)

本文通過(guò)收集并標(biāo)注多公路監(jiān)控場(chǎng)景下的煙霧圖像數(shù)據(jù)集，結(jié)合Smoke100K 部分?jǐn)?shù)據(jù)集，整理形成公路場(chǎng)景煙霧數(shù)據(jù)集；搭建并訓(xùn)練了多種結(jié)構(gòu)不同層數(shù)的YOLOX 目標(biāo)識(shí)別網(wǎng)絡(luò)，對(duì)YOLOX 系列網(wǎng)絡(luò)的主體結(jié)構(gòu)與輕量化方法進(jìn)行了分析。在訓(xùn)練過(guò)程中采用Mosaic 數(shù)據(jù)增強(qiáng)手段對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，有效地提高了模型的泛化能力。通過(guò)導(dǎo)入煙霧圖像測(cè)試集，從網(wǎng)絡(luò)識(shí)別精度、模型大小及總參數(shù)量等指標(biāo)的角度對(duì)4種YOLOX 識(shí)別網(wǎng)絡(luò)進(jìn)行對(duì)比分析，結(jié)果表明YOLOX 系列模型均能較好地完成煙霧識(shí)別任務(wù)，精確度均達(dá)到90%以上，m,s 和tiny 網(wǎng)絡(luò)的識(shí)別精度達(dá)到95%以上，說(shuō)明YOLOX 網(wǎng)絡(luò)結(jié)構(gòu)具有較強(qiáng)的煙霧特征提取能力，可以滿足公路運(yùn)營(yíng)監(jiān)控對(duì)火災(zāi)煙霧事件的識(shí)別精度要求。同時(shí)，基于深度可分離卷積方法構(gòu)建的輕量化網(wǎng)絡(luò)nano，煙霧識(shí)別精度比m 網(wǎng)絡(luò)和s 網(wǎng)絡(luò)略低，但模型規(guī)模遠(yuǎn)小于m 網(wǎng)絡(luò)和s 網(wǎng)絡(luò)；nano 網(wǎng)絡(luò)較m 網(wǎng)絡(luò)的識(shí)別精度低8.35%，但模型大小及總參數(shù)量?jī)H為m 網(wǎng)絡(luò)的1/25，說(shuō)明輕量化模型對(duì)計(jì)算資源的占用較少，在識(shí)別精度滿足公路運(yùn)營(yíng)監(jiān)控要求的前提下適當(dāng)壓縮模型規(guī)模，可以增加同批次輸入網(wǎng)絡(luò)的圖像數(shù)量，使煙霧識(shí)別模型在邊緣端得到更好的應(yīng)用。

此外，受Mosiac 數(shù)據(jù)增強(qiáng)方法的啟發(fā)，在今后的研究中將從對(duì)樣本數(shù)據(jù)集作特征提取的角度進(jìn)一步探究輕量化模型在樣本不足條件下的訓(xùn)練精度問(wèn)題。同時(shí)，注意到由于參數(shù)量減少會(huì)降低輕量化模型的特征提取能力進(jìn)而影響識(shí)別精度，后續(xù)將繼續(xù)深入研究模型輕量化與識(shí)別精度的平衡問(wèn)題，分析網(wǎng)絡(luò)各層的特征提取能力，進(jìn)一步提高公路場(chǎng)景下煙霧識(shí)別效率。