融合YOLOv5s与Swin Transformer的森林火灾检测

针对传统的森林火灾检测方法检测精度不佳、可靠性低等不足,提出一种基于YOLOv5s融合Swin Transformer的火灾检测方法.为实现森林火灾的实时性检测,提出了YOLOv5s-SwinT的改进识别方法.基于Transformer模型的应用,解决了卷积神经网络的运算局部性以及全局特征提取等不足.融合Swin Transformer与YOLOv5s卷积神经网络模型,并将其应用于森林火灾检测的机器视觉任务中.引入α-IoU损失函数替换GIOU损失函数,并在骨干网络中融入CA注意力机制轻量模块,提升了整体网络的特征提取能力以及获取高质量和高精准度的定位图像区域,进行边界框生成及预测,改善小目标检测漏检及检测精度差等问题.实验结果表明,融合YOLOv5s-Swin T的改进识别方法在森林火灾检测任务中,可实现mAP值达到74.2%,相比YOLOv5s提高了4.5%,并设计了GUI界面直接部署到PC端实现实时火灾检测需求,为森林火灾检测视觉任务提供了一种有效的检测方法.

基于YOLOv5改进模型的口罩识别方法

为实现对人脸口罩佩戴的自动实时识别,提出了基于YOLOv5改进模型的口罩识别算法,通过加入CA注意力机制轻量模块,增强整体网络的特征提取能力,改善漏检及遮挡等问题。引入α-EIoU损失函数替换GIOU损失函数,能够更快速精准地获取高质量的定位图像区域,生成边界框并进行预测类别。通过更改主干网络CSPBlock模块,提高了模型的检测速度。实验结果表明,基于改进的YOLOv5目标检测算法,提升了口罩识别的准确率,设计的GUI界面直接部署到PC端,满足了实时口罩的识别需求。