En raison du manque de perception visuelle de l'environnement chez les aveugles, leurs déplacements ont toujours été une source de difficultés dans leur vie. Cet article propose un algorithme de détection d'obstacles pour un système d'assistance aux aveugles basé sur YOLOX amélioré, appelé CE-YOLOX. Tout d'abord, afin de réduire la perte d'information sémantique lors de la réduction des canaux dans le réseau de fusion des caractéristiques, un module de fusion par saut sous-pixel SSF et un module de renforcement du contexte sous-pixel SCE sont utilisés pour exploiter pleinement les informations de canal et les informations sémantiques à différentes échelles, tandis qu'un module d'attention guidée par canal CAG réduit l'effet de repliement causé par la fusion multi-échelle des caractéristiques. Ensuite, pour rendre le modèle plus concentré sur les caractéristiques efficaces, un mécanisme d'attention globale GAM est introduit, améliorant la performance du modèle en réduisant la dissipation de l'information et en élargissant la représentation des interactions globales. Puis, la fonction de perte de régression de position IOU-LOSS du modèle original est remplacée par SIOU-LOSS, ce qui accélère la vitesse et la précision de la régression des boîtes. Enfin, une plateforme de détection pour le système d'assistance aux aveugles est construite et l'algorithme proposé est porté sur l'appareil de calcul en périphérie NVIDIA Xavier NX. Les résultats expérimentaux montrent que l'algorithme amélioré de détection d'obstacles du système a un mAP cohérent sur le serveur et la plateforme NVIDIA Xavier NX, atteignant 90,53 %, soit une amélioration de 2,45 % par rapport au modèle YOLOX d'origine. La vitesse de détection sur le serveur atteint 75,93 FPS. Le modèle présenté dans cet article améliore la précision tout en maintenant la vitesse de détection, surclassant nettement les algorithmes comparés, répond aux exigences des appareils de calcul en périphérie et a une valeur d'application pratique.

Système d'assistance aux aveugles;détection d'obstacles;sous-pixel;CEFPN;GAM;perte angulaire;SIOU