基于改进YOLO v5的森林火灾检测算法研究

为提高森林火灾检测识别率,同时降低漏检、误检率,缩减后续救援时间,提出一种基于改进YOLO v5的森林火灾目标检测算法。针对火灾目标漏检问题,在YOLO v5骨干网络加入卷积注意力机制(CBAM),对森林火灾的小目标在通道和空间进行特征提取;针对火灾目标重合问题,把路径聚合网络(PANet)替换为加权双向特征金字塔网络(BiFPN),增强模型识别能力;针对YOLO v5中原始采样方式无法将特征信息完全捕获的问题,所以将CARAFE上采样作为最新的上采样方式,提高采样效率。实验结果表明,与其它主流算法相比较,该算法拥有更好的检测效果,其检测性能相比于原始算法提升了2.6%,更适用于森林火灾检测。

改进YOLOv5的绝缘子缺陷检测算法

针对在复杂背景下绝缘子缺陷检测中出现的漏检、误检问题,提出了一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,在原算法上加入全维动态卷积,在不增加计算量的前提下提高算法的特征提取能力与检测精度;然后,引入解耦检测头,避免因头部耦合带来的检测精度下降问题;最后,融合通道注意力模块(CA),并探究CA在算法不同部位对算法性能的影响,进一步提高算法的特征提取能力,增强算法对小目标的检测能力。实验表明,该算法在公开数据集上的检测精度达到了95.0%,相比于原算法提升了2.5%,平均检测速度达到8.4ms,有着较好的检测精度和实时性,且有效解决了漏检与误检的问题。在主流目标检测算法比较中,改进后的算法综合性能有很大的优越性。