基于改进YOLOX-s的机场跑道冰雪状态感知.pdf

第57 卷第10 期2023年10 月文章编号：10 0 6-2 46 7(2 0 2 3)10-12 9 2-13上海交通大学学报JOURNAL OF SHANGHAI JIAO TONG UNIVERSITYVol.57 No.10Oct.2023DOI:10.16183/ki.jsjtu.2022.303基于改进 YOLOX-s 的机场跑道冰雪状态感知邢志伟，阙犇，刘子硕，李彪，罗谦3（1中国民航大学电子信息与自动化学院，天津30 0 30 0；2.天津航空机电有限公司，天津30 0 30 8；3.中国民航局第二研究所工程技术研究中心，成都6 10 0 41)摘要：针对机场冰雪跑道安全性和适航性状态感知能力不足及跑道表面状况报告交互的新需求，提出一种面向多尺度特征融合的机场跑道冰雪状态感知模型.以YOLOX-s模型为基础，在主干特征提取网络中引入全局上下文模块，获取更丰富的浅层与深层特征；将颈部结构中路径聚合网络替换为双向特征金字塔，以提升特征融合能力；在加强特征提取网络尾部添加自适应空间特征融合结构，进一步增强特征融合效果；使用-EIoU优化损失函数，提高模型收敛速度与精度.实验结果表明，改进后的YOLOX-s模型在跑道冰雪实验系统所得的冰雪污染物数据集上平均精度达到了91.53%，比原始的YOLOX-s模型提高了4.6 8%，能够为机场跑道除冰雪作业提供决策支持.关键词：跑道冰雪状态感知；YOLOX-S；全局上下文模块；双向特征金字塔网络；自适应空间特征融合结构；-EIoU损失函数中图分类号：TP391.9文献标志码：AAirport Pavement Snow and Ice State Perception Based onImproved YOLOX-sXINGZhiwei,KAN Ben，LI U Zi s h u o,LI Biao，LU O Q i a n(l.School of Electronic Information and Automation,Civil Aviation University of China,Tianjin300300,China;2.AVIC Tianjin Aviation Machinery and Electricity Co.,Ltd.,Tianjin 300308,China;3.Engineering Technology Research Centre,Second Research Institute ofCivil Aviation Administration of China,Chengdu 61004l,China)Abstract:Aimed at the lack of awarness of safety and airworthiness state perception ability of airport icerunway and the new demand of interaction of runway surface condition report,a multi-scale feature fusionbased ice and snow state perception model of airport runway is proposed.Based on the YOLOX-s model,first,the global context block(GC block)is introduced into the backbone feature extraction network toobtain more abundant shallow and deep features.Then,the PANet networks in neck are replaced with thebi-directional feature pyramid network(BiFPN)to improve the feature fusion ability.Afterwards,anadaptive spatial feature fusion(ASFF)structure is added to the tail of the enhanced feature extractionnetwork to further enhance the feature fusion effect.Finally,-EloU is used to optimize the loss functionto improve the convergence speed and accuracy of the model.The experimental results show that theimproved YOLOX-s model has an average accuracy of 91.53%in the snow and ice pollutant data set收稿日期：2 0 2 2-0 8-0 4修回日期：2 0 2 2-11-2 3录用日期：2 0 2 2-12-0 1基金项目：国家重点研发计划（2 0 18 YFB1601200）资助项目作者简介：邢志伟（197 0-），教授，从事机场运行控制，民航装备与系统的应用研究.通信作者：李彪，助理教授；E-mail：18 330 2 2 7 7 0 16 3.c o m.第10 期obtained from the runway snow and ice experimental system,which is 4.68%higher than the originalYOLOX-s model,and can provide decision-making support for airport runway snow removal operations.Key words:pavement snow and ice state perception;YOLOX-s;global context block(GC block);bi-di-rectional feature pyramid network(BiFPN);adaptive spatial feature fusion(ASFF);-EloU loss function邢志伟，等：基于改进YOLOX-s的机场跑道冰雪状态感知12932021年11月4日，国际民航组织（Internation-al Civil Aviation Organization，I C A O)要求按照统一的全球跑道表面状况报告格式（GlobalReportingFormat,GRF)1评估和报告跑道表面状况.按照新的模式，跑道摩擦系数仅用于干跑道表面状况的日常监测和道面维护，不再作为跑道适航性的认定标准.对于有冰雪覆盖物污染的跑道，机场运行方应根据跑道道面污染物的种类、覆盖范围、深度等跑道表面状况，确定跑道状况代码，提供给管制和航空情报服务部门.因此，如何科学精确地感知跑道表面状态及演化规律，确保跑道运行的适航性，是冬季冰雪气象条件下机场不停航运行需要突破的核心关键技术.目前，国内外学者针对ICAO提出的跑道运行新标准，展开了多方面的研究：一是道面冰雪污染物的状态识别，如Kim等2 提出一种利用毫米波传感器和人工神经网络（Artificial Neural Network，ANN)接收信号强度统计特征来识别冰雪种类；Ma等3 利用多波长非接触光学技术，发现黑冰、结冰和下雪条件下的归一化反射率不同，用于辨识路面冰雪状态;Baby等4基于电容传感原理，提出一种可以集成到远程操作车辆（RemotelyOperated Vehi-cle，RO V)中的电容式传感器，用于自动检查跑道等重要位置的冰层及形态；Troiano等5 设计了一种用于估计路况的低成本电容式传感器，建立了一种当水或冰覆盖其表面时传感器的电容变化模型，并评估环境温度变化对道面冰雪厚度及状态的影响.二是道面冰雪污染物的厚度、界限检测，如Hoshino等6 1针对跑道受冰雪污染问题，在道面嵌人检测冰雪的激光传感器，通过光散射理论检测冰雪厚度；任宏宇等7 针对复阻抗式结冰检测技术，提出一种温度漂移补偿方法，提升冰雪厚度测量精度以及稳定性;Hong等8 利用系统动力学理论，建立随时间变化的道路结冰的界限和位置检测模型；勾一等9 基于红外热波检测技术，搭建了闪光红外热波检测系统，并提出将高斯-拉普拉斯金字塔算法与面积滤波算法两者相融合识别冰雪界限.三是道面冰雪污染物的演化规律研究，如Qin等10-1基于Bessel函数提出一种描述冰膜演化动力学的热传导数学模型，通过该模型计算地温分布，研究冰膜的状态演化规律；Chen等12 利用改进粒子群优化算法对最小二乘支持向量机的核函数和惩罚函数进行优化，实现道面冰雪厚度与多气象因子的非线性映射演化模型;Costa等13 提出一种基于道面温度、湿度等气象因子的ANN模型，模拟路面积冰状态演化过程。上述在跑道埋设传感器等接触式冰雪检测方法受环境影响大，且多传感器间的数据难以实现深度融合，无法实现对道面冰雪状态的精确感知，但是基于图像理解的冰雪状态感知受气象条件影响很小，无需庞大的数据融合，可在不接触道面冰雪的前提下对冰雪状态进行感知；与上述利用电磁波、光波等非接触式冰雪检测方法相比，以图像作为状态感知的依据，几乎不受环境限制，对黑冰、雪水混合物、冰水混合物等污染物复杂情况感知精确、可信度高.本文从图像层面实现机场跑道冰雪状态感知，设计并搭建跑道冰雪实验系统，采集冰雪状态微观图像并制作数据集，通过改进YOLOX-s14I模型来感知冰雪状态.在CSPDarknet53主干特征提取网络中，添加全局上下文模块（GlobalContext block，GC block)来提高网络注意力使用双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN)替换原加强特征提取网络，提高网络对多尺度的特征提取能力；同时引人自适应空间特征融合(Adaptive Spatial Feature Fusion，A SFF)结构，进一步提升特征融合能力；使用-EIoU损失函数代替原有的IoU损失函数，进一步提高模型的收敛速度与感知准确率，实现跑道冰雪状态智能感知，可为道面除冰提供决策依据，有助于提高冬季机场跑道适航性。1实验系统与数据采集1.1跑道冰雪实验系统跑道模型结构分解如图1所示，在距道面10 cm1294处铺设电热线，向上以2.5cm为间隔分别埋设3层PT-100，每层均匀埋设8 个PT-100.电热线层主要上海交通大学学报水泥第57 卷用于对道面进行加热，控制道面温度，使冰雪呈现不同状态，模拟道面冰雪状态演化的过程.3层PT-第1层PT-100100用来监测跑道每层温度分布，利用传热学研究第2 层PT-100跑道导热效率对道面冰雪状态的影响。第3层PT-100跑道冰雪实验系统如图2 所示，当实验系统实电热线40际运行时，将跑道模型置于高低温试验箱或者冬季户外冰雪环境中，模拟冬季机场跑道表面实际情况，运行状态如图3所示.30图1跑道模型结构分解(cm)Fig.1 Structure decomposition of runway model(cm)冰雪状态感知器气象传感器温度传感器数据采集装置USB3.0BT4.0USB3.0数据传输模块！电热线电源温控器串口工控机跑道模型加热装置置驱动个温控装置通信终端图2 跑道冰雪实验系统Fig.2Runway ice and snow experiment system图3实验系统实际运行Fig.3Actual operation of experimental system1.2数据采集与分类通过实验系统模拟冬季机场道面环境，共采集到2 59 2 像素X1944像素的图片56 6 8 张，并根据北海道大学低温科学研究所对冰雪的分类方式15-16 与ICAO发布的GRF标准中的跑道表面污染物分状态雪雪浆融雪冻冰湿冰水类，结合文献17 中的冰雪状态图像灰度区分表，得到如表1所示的道面冰雪状态分类标准.将由实验系统采集的56 6 8 张冰雪污染物图片划分为6 类：雪、雪浆、融雪、冻冰、湿冰、水，如图 4 所示.使用Labe-limg工具对图像进行标注,生成xml类型的标签文件.表1跑道冰雪状态分类Tab.1Classification of ice and snow state of runway特点颗粒状，遇热变形雪半融解产物雪融解后产物雨雪冻结而成冻冰半融解产物冰雪完全融解产物含杂质晶体状态粒径0.0 5mm以上互不相连的圆粒粒径0.5 1mm的圆粒相互成网状连接粒径1mm以上互不相连的颗粒粒径0.0 5 2 mm的多结晶冰，含粒径0.0 1 0.1mm气泡粒径0.1 0.4mm的多结晶冰，含粒径0.1 0.5mm气泡透明且流动不止，含有大量气泡灰度区间488081111235255112144145207第10 期邢志伟，等：基于改进YOLOX-s的机场跑道冰雪状态感知1295(a)雪(b)雪浆(c)融雪(d)冻冰2基于多尺度特征的冰雪状态感知模型YOLOX-s算法是2 0 2 1年旷视科技研究院提出的高性能One-Stage目标检测网络14。它巧妙地将解耦头、数据增强、无锚点等目标检测领域优秀进展应用到YOLO上，其网络结构由3个部分组成，如图5所示.其中Backbone部分即主干特征提取网络使用的是CSPDarknet53网络，Neck部分加强特征提取网络使用的是路径聚合网络（Path-Aggrega-tionNetwork,PANet),Prediction部分即检测头使用了3个解耦头（DecoupledHead).Backbone部分BackbonePredictionCSP2_1SPPCSP2CBSCSP1_37CBSInputCSP13CBS1640640 x3CSP1CBSFocus(e)湿冰图4冰雪状态Fig.4Ice and snow state对输入图片进行浅层特征提取得到3个特征层，Neck部分再对3个特征层进行深层特征提取，最终再分别传人3个DecoupledHead进行目标框检测，得到检测结果141.基于YOLOX-s框架，在CSPDarknet53主干特征提取网络中引人GCblock，将提取后的3个特征图经过BiFPN加强特征提取，得到3个具有不同尺度信息的特征图，再引入ASFF自适应地学习各尺度特征,增强特征融合效果，最后使用-EIoU损失函数代替原有的IoU损失函数，提高模型精度和加快收敛速度改进后的YOLOX-s（I m p r o v e dYOLOX-s,IYOLOX-s)网络结构如图6 所示.iNeckCBSCBSCBSx2CBSCatDownsUpsCBSCatCSP2_1CSP2_1CatCBSDowns门Ups川CatCSP2_图5YOLOX-s 网络结构Fig.5Structureof YOLOX-s network(f)水ConvSigConvSigCBSConvCBSx2Decoupled headCBSConvSigCBSCBSx2ConvSigCBSConvCBSx2CBSConvSigCBSCBSCatCatCBSx2ConvSigCBSConvCBS2ReShReShCatReShOutputCatTransL858.400l1296Conv_BN_SiLU(160,160,128)CspLayer(160,160,128)二二二二二二二二Conv_BN_SiLU(80,80,256)Neck(BiFPN-s)CspLayer(80,80,256)GcblockConv_BN_SiLU(40,40,512)CspLayer(40,40,512)Conv_BN_SiLU(20,20,1 024)SPPBottleneck(20,20,1 024)CspLayer(20,20,1 024)2.1基于GCblock的主干特征提取网络主干网络提取特征的能力可以直接影响目标检测效果，在对图片浅层特征提取阶段使用改进的CSPDarknet53作为主干网络.由于卷积受限于局部感知的特点，只可以对局部区域进行上下文建模，限制感受野的大小.并且在道面冰雪污染物图像中，冰雪晶体状态呈现大小和形状不同的特点，且有灰尘等杂质以及相干斑噪声的干扰，不易进行状态感知。所以引人GCblock到CSPDarknet53特征提取网络的CSP结构后，不仅可以提取全局上下文信息，以此获得更丰富的浅层和深层特征，还可以大大降低计算量。如图7 所示，GCblock181由非局部均值模块(Non-Local block,NL block)19、压缩激励模块(Squeeze-Excitation block,SE block)201 组合而成，组合过程及机理如下.图中：C为特征层的通道数；H为特征层高度；W为特征层宽度；r为缩减比例.Step1简化并融合NLblock.图7 中，为输出信号代表当前位置的像素，;为所有与；位置特征相似、大小相等的像素,NLblock 利用嵌人高斯计算j，其表示;与,之间的归一化注意力权重即两者位置的相关性，可以使两者相隔一定距离的i与,建立联系来增强识别效果，同时还可以明显降低图像中的噪声，计算公式为f(ai,a,)Wij=C()上海交通大学学报Backbone(CSPDarknet)SPPBottleneckInputs(640,640,3)Conv2D_BN_SiLUFocus(320,320,12)Conv_BN_SiLU(320,320,64)Zmexp(2exp(Wkzn)m=1Step2引人SEblock.exp()GC block 在融合 NL block 的过程中对其进行(1)了简化，在减少计算量的同时，会牺牲一定的准确13Cat_Conv(40,40,512)式中：f(i,j）为,与,的关联系数;C(）为归一化因子；m为任意位置像素点；m为任意位置的像素；W。、W k 为卷积操作由于NLblock以其他位置，的信息为基础去(2)exp(Wkc,)(3)Conv2D_BN_SiLUCLsBCECat_Conv(80,80,256)UpSampleDownSampleCat_Conv(40,40,512)DownSampleCat_Conv(20,20,1 024)Conv2D_BN_SiLURegObj-ElouBCEASFFASFF1ASFF2ASFF3HeadHead1Head(5)第10 期率，为此引人 SEblock中Transform模块.GC block 引人 SE block 中 Transform 模块,并在线性激活函数ReLU非线性激活前加人层标准化 LN(（La y e r No r m a li z a t i o n,La y e r No r m),可以降低优化难度，提高网络泛化能力，弥补主干特征提取网络重复堆叠相同函数导致提取的特征缺乏多样性的问题，进而填补步骤一所损失的准确率,改进后的Transform 模块数学表达式（)为(.)=WvzReLU(LN(W(.)式中：Wv、W w 分别为两次卷积操作.邢志伟，等：基于改进YOLOX-s的机场跑道冰雪状态感知NPWaReLULNWu2(4)=1m=11297Step 3特征融合.如图7 所示,GC block融合SNLblock中Con-textModeling模块，引人SEblock中添加层标准化的Transform模块，再使用相加操作进行特征融合，得到最终输出结果：2=F(ai,o(,aja,)=ai+exp(Wka,exp(Wkam)LCxHxWGCblockContext modelingNLblock11xCxHW1ConvWkWv(1*1)1CXHWCxHWCxHxWConvWz(1*1)/1Step36(2a)1FusionCx1x1F(x,(Zva)CxHxWSNLblock1CxHWCxHWX11ConvWaConv(1*1)(1*1)CxHW一HWxCKCXHWHWXHW1Softmax1Ax,t)=exp(We,W/),111SEblockCxHxWCxHWGlobal avg poolingCx1x1Conv(1*1)C/rx1x1 LayerNorm,ReLUC/rx1x1Conv(1*1)Cx1xIVSigmoid11CXHXWCXHW11SimplifyStep 1111WvW2CXHWXWkConv(1*1)1xHxWHWx1xIVSoftmaxf(xi,x)=exp(W)Cx1x1Conv(1*1)/WvWxCx1x1111111111111Step2图7组合机理Fig.7Mechanism of combination2.2基于BiFPN的加强特征提取网络YOLO架构的加强特征提取网络经历了从类FPN到FPN,再到PANet的不断进化演变，从原理来看，浅层网络分辨率更高且包含更加准确的位置信息；深层网络拥有更大的感受野且涵盖大量的高维语义信息.因此，优化多尺度特征融合效果就成为提升网络精度的一种手段.YOLOX-s在Neck部分使用PANet作为加强特征提取网络用于多尺度特征融合，其网络结构如图8 所示.图中：P为层；下标表示层数；上标in、t d、o u t 分别表示输人、从上到下、输出.PANet特点是在Pout到Pout层建立了自下而上的路径增强链路，对底层强定位特征的向上(7)1298传递过程进行增强.2 0 19 年Google团队发表的 Ef-ficientDet算法中首次提到了BiFPNE21，其网络结构如图9所示.相较于PANet,BiFPN新增跨尺度连接，移除部分只有一个输人且对特征融合贡献极小的节点，并且在输人层与输出层之间增加跳跃链接，使输出层不仅可以得到自下而上已参与特征融合的信息，还可以保留原始节点未参与特征融合的信息2 2.改进之后的加强特征提取网络如图10 所示.PinPiQin Upsample,Downsample图8 PANet网络结构Fig.8Structure of PANetPin(a)PANet-sConv,Same scale input,Upsample,DownsampleFig.1o Improved network structure对不同尺度特征进行融合时，通常将所有尺度特征视作同等重要，赋予相同特征权重，再进行相加等融合操作，但是不同尺度特征对融合的贡献是不一样的，在融合过程中会丢失一些有用的信息.BiF-PN为每个尺度的特征赋予不同权重，让网络自主学习不同尺度特征的重要性2 31.加权特征融合表达式为0=2.+WiI上海交通大学学报PPPoutPiPtdUpsample,Downsample图9BiFPN网络结构PdFig.9Structure of BiFPNPtd+Conv,Same scale input第57 卷PoutptdPout6Ptd5Ptd4Conv,Samescale input图中：Wlw g 表示可学习的参数.YOLOX-s通过CSPDarknet53主干网络提取出3个有效特征层，然后输入PANet，但是PANet有5个输人特征层，因此将PANet简化为3个输人特征层（记作PANet-s)，网络结构如图10(a)所示，同理也对BiFPN做上述简化操作（记作BiFPN-s），以此来减少计算量，提高精度，并与YOLOX-s网络结构相匹配，网络结构如图 10(b)所示.PinpinPin图10 改进后网络结构式中：I、O 分别为融合前和融合后的特征;w;和w;为可学习的权重；e为远小于1的极小量，用来保证数值稳定.当输入图片大小为（6 40，6 40，3)时，主干网络提取出的3个特征层分别为Pi=（8 0，8 0，2 56），Pi=（40，40，512),P=（2 0，2 0，10 2 4)，通过BiFPN-s的跨尺度连接和加权特征融合，得到各融合节点特征为(6)Prd=Conv(Pout5Pout4030476020908(b)BiFPN-s(wr Pin+w2Resize(Pi)Wi+w2+Pout第10 期PoutConv(ws Pin+wsPd+wrResize(Pou)Pou一ConvPut=Conv(ws Pin+w,Resize(Pout)ws+wg+式中：Resize是对输人特征进行上采样（Upsample）或下采样(Downsample)操作.2.3引入自适应空间特征融合结构本文使用BiFPN-s代替原有的PANet-s，以此提高网络对多尺度特征的提取能力,同时在BiFPN-s的尾部添加ASFF结构2 3，进一步增强多尺度特征融合效果，其本质是自适应地学习各尺度特征融合的空间权重，以此来抑制加强特征提取网络中不同尺度的不一致性缺点，使得多尺度的特征被自适应地融合，达到最优融合效果.ASFF结构如图11所示。如图11所示,Level 1、Le v e l 2、Le v e l 3分别是通过BiFPN-s提取得到的加强特征层，以ASFF-3为例，经过BiFPN-s得到的特征层Level 1、Le v e l2,对其进行11卷积操作将其通道数压缩成与*Cohv(12xUpSLevel3(20,20,1024)2.4损失函数YOLOX-s的损失函数由3个部分组成：边界框定位损失函数Lioc、分类损失函数Lels、置信度损失函数Lconf，本文的损失函数为L=Lioc十Lels十Lconf对于定位损失函数LIoc，YO LO 系列最早使用的是IoU损失函数Llou,其原理为 1减去预测框和真实框的交集与预测框和真实框的并集之比，计算公式为Llou=1-TAUBT式中：A为预测框的面积;B为真实框的面积.IoU损失函数具有尺度不变性、非负性、同一性等特点，邢志伟，等：基于改进YOLOX-s的机场跑道冰雪状态感知ws Pin+wResize(Pid)W3+04+0s+0+0+eLevel1(80,80,256)2xUpSLevel2(40,40,512)1An BI1299Level 3相同，再分别对其进行4倍、2 倍上采样形(8)成与Level 3相同维度的特征图，记作Resize_Level(9)1 与 Resize_Level 2,接着对 Resize_Level 1,Resize_Level2和Level3进行1*1卷积操作得到权重参(10)数ij、Yi，最后将权重参数与Resize_Level 1、Resize_Level 2和Level 3相乘并求和得到特征融合后的ASFF-3，上述过程可由下式来描述：=agx9-0+3xg-0+x-)式中：y为通过ASFF特征融合得到的新特征图；x-、x、x-分别为第1、2、3层到第1层特征层的特征向量；、分别为3个不同特征层的权重参数，通过Softmax函数使得i+=1(a、Eo,1).对于通过道面冰雪污染物微观晶体状态来对其状态进行感知，需要底层特征中的细粒度特征来辨识，通过在BiFPN-s的尾部引人ASFF结构，使每一层的权重参数与特征相乘再相加来实现融合，学习了空间滤波冲突信息以抑制不同尺度的不一致性，从而使得提取的特征更加层次化，并且几乎没有引入推理开销，提升了模型的训练效率。ASFF-1YOLOheadASFF-2YOLOheadXiA.SFF-3图11ASFF结构Fig.1lStructure of ASFF且输出值在0 1之间,能够较好地体现预测框和真实框的检测效果.但实际会存在预测框与真实框没有相交的情况,此时Liou恒为1,因此没有梯度的回传将无法继续学习，而且IoU损失函数针对预测框和真实框的位置关系无法做出判断，更无法反映预测框和真实框的相交情况.因此文献2 4 中提出使用GIoU损失函数LGlou，在IoU损失函数的基础上引人预测框和真实框的最小外接矩形，计算公式为(12)Lenu=Lou+LC-A U BI式中：C为最小外接矩形的面积.引入最小外接矩形(11)YOLOhead(13)TCT1300不仅可以反映重叠区域的面积，还可以计算非重叠区域的比例,因此GIoU损失函数能够更好地反映预测框和真实框的重合程度与远近距离.此外由于最小外接矩形的存在，使得GIoU损失函数在两个矩形框不重合时，也可以继续计算回传梯度，模型进而可以继续学习.GloU损失函数虽然解决了IoU损失函数的上述两个问题，但是当两框相互包含时，GIoU损失函数会退化成IoU损失函数，在水平和垂直方向上，误差很大，导致收敛速度大大减缓.所以本文采用EIoU损失函数2 5 来替换GIoU损失函数,并根据文献2 6 对EIoU损失函数增加幂指数且=3,变成-EIoU损失函数 L。El o u,以加快收敛速度，其计算原理如图12 所示.图中：6 和6分别为预测框和真实框的中心点；p）为两个中心点的欧氏距离；C、C w、C h 分别为预测框和真实框最小外接矩形的对角线距离以及宽度和高度；w、w t、h、h 分别为预测框和真实框的宽度和高度.-EIoU损失函数使用最小化两个框中心点的欧氏距离替代GIoU损失函数中最小外接矩形，同时分开计算目标框的长和宽.-EIoU损失函数包含3个部分：重叠损失Llou、中心距离损失Lalis、宽高损失Lasp，计算公式为LaElou=Liou+Lais+Lasp=Liu+(b.b)+(uw)+eh.hm)C20wgthgtbgt图12-EIoU计算原理Fig.12Principle of calculation of-EIoU由于EIoU损失函数将目标框的长、宽分开计算，弥补了GIoU损失函数在水平和垂直方向上误差大的问题,并且在EIoU损失函数的基础上增加（=3），进一步加快收敛速度和提高精度.图13为4种损失函数L在同一数据集上的效果对比.图中：N为迭代次数.从图中可以看出，-EIoU损失函数在训练初期下降速度更快，当送代次数N=5时，train_loss和val_loss就已经达到了6 以下，最后能达到2 左右，比其他3种损失函数更容易收敛，定位精度更高.上海交通大学学报121086420图134种损失函数效果对比Fig.13Comparison of four loss functions3实验验证3.1模型环境设置在训练环境方面，操作系统为Windowslo，CPU 为 Intel(R）Xe o n（R）C PU E5-2 6 8 0 v 4 2.40 GHz,内存为 6 4 GB,GPU 为 NVIDIA Ge-ForceRTX3080Ti，显存为12 GB.使用Pytorch1.7.1深度学习框架，底层使用CUDA11.0作为并行计算框架。在训练策略方面，将数据集图片按照8：1：1的比例划分为训练集、测试集和验证集，为防止工作(14)站性能不足，将训练分为两个阶段，分别是冻结阶段和解冻阶段，冻结阶段、解冻阶段迭代次数均为7 5次，批处理量（batchsize）为6 4，图片尺寸为6 40 像W素6 40 像素.PChChCw第57 卷loU train_lossloU val_lossGloUtrain_loss.-GloUval_lossEloUtrain_loss.-EloUval_loss-EloUtrain_loss-EloUval_loss113060N3.2评价指标(1）平均准确率（Average Precision，PA p），P=一LTPTP+VFP9AP=P(R)dR式中：Tp(True Positive)为感知正确的正样本；Vep（Fa ls e Po s itiv e)为感知错误的正样本；P(R）为PR曲线中P(Precision)值即准确率值,R(Recall)为召回率。（2）平均准确率均值（mean Average Precision，ymAp),ymAP=式中：M为冰雪污染物的种类数；PAp（i）为第i类冰雪污染物的平均准确率。90M1M120150(15)(16)第10 期（3）平均召回率均值（meanRecall,mr），R=uTPMTP+OFNMpmR=ZR./Mi-1式中：Orn（Fa ls e Ne g a t i v e)为感知错误的负样本；R;为第讠类冰雪污染物的召回率.（4）检测速度，使用每秒顿数（FramesPer Sec-ond，FPS)作为检测速度评估指标。3.3实验结果3.3.1对比实验结果及分析目标检测算法主要分为两种：Two-Stage目标检测算法，最具代表性的有 R-CNN,Fast R-CNN,Faster R-CNN 等;One-Stage目标检测算法，最具代表性的有YOLO和单次多边框检测（SSD)等.将IYOLOX-s与其中部分算法进行性能对比，如表2 所示.可以看出算法IYOLOX-s对于道面冰雪状态感知获得了较好的效果，与Faster R-CNN相比，使得雪、雪浆、融雪、冻冰、湿冰、水6 种冰雪状态的PAP分别提高了8.13%、7.33%、10.9 9%、8.2 4%、8.9 6%、5.9 4%,mAp提高了8.2 6%，mR提高了13.2%，检测速度提算法冻冰FasterR-CNN0.7898SSD0.7643YOLOv5-s0.7956YOLOX-s0.8107IYOLOX-s0.87111.0r0.80.6dvuh0.40.20图14不同网络模型训练结果对比Fig.14Comparison of training results of differentnetworkmodels邢志伟，等：基于改进YOLOX-s的机场跑道冰雪状态感知(17)表2 不同网络模型测试结果对比Tab.2 Comparision of test results of different network modelsPAP雪雪浆0.84210.82010.85420.88250.9154FasterR-CNNSSDYOLOv5-sYOLOX-sIYOLOX-s13060N1301高了5顿/s，由于IYOLOX-s算法在速度、精度和召回率都比FasterR-CNN高，由此可见One-Stage目标检测算法更适合于道面冰雪状态的感知；与SSD相比，使得6 种冰雪状态的?Ap均有7%12%不同程度的增幅，此外ymAp提高了10.16%，mR提高了15.11%，检测速度提高了7 顿/s；与YOLOv5-s和YOLOX-s相比，雪的PAp分别提高了7.55%、6.04%，雪浆的PAp分别提高了6.12%、3.2 9%，融雪的?Ap分别提高了9.8 1%、4.7 6%，冻冰的9Ap分别提高了6.2 6%、4.7 0%，湿冰的9Ap分别提高了8.13%、5.7 5%，水的?AP分别提高了5.0 6%、3.54%，mA p 分别提高了7.15%、4.6 8%，mR分别提高了10.8 3%、4.43%，但是检测速度分别降低了2、1帧/s,IYOLOX-s相较于YOLOX-s在损失1/s的基础上，gmAP、m分别提高了4.6 8%、4.43%是可以接受的.此外，不同网络模型训练结果对比如图14所示.IYOLOX-s训练150 次的ymAp曲线均在另4种目标检测算法之上，可见IYOLOX-s算法在道面冰雪状态感知中比其他主流目标检测算法有着一定的优势。FPS/ymAPmR融雪湿冰0.81400.83340.80100.80560.82580.85320.876 30.86880.92390.91583.3.2消融实验结果及分析检验各种改进的有效性.为了验证IYOLOX-s算法中各改进的有效性，将其分为5组进行训练测试.第1组(G1)为原始YOLOX-s算法，第2 组（G2)为在主干特征提取网络中添加GCblock，第3组（G3)是在G2的基础上将原始的加强特征提取网络PANet改成BiFPN-s，第4组（G4）是在