基于CXANet-YOLO的火焰检测方法

快速准确的火焰检测对于降低火灾危害具有重要意义,为了加强模型的火焰特征提取能力以及解决特征图尺寸不平衡的问题,利用XSepConv (Extremely Separated Convolution)、大卷积核、Mish激活函数等构建CXANet-block(Convolution Extremely Attention Network)作为YOLOv5的骨干网络,引入CBAM (Convolution Block Attention Module)注意力机制,提出一种基于CXANet-YOLO的火焰检测方法,通过增加通道注意力和空间注意力来提高检测性能.在自建火焰数据集上进行训练,提升模型的鲁棒性和泛化能力.实验结果表明,CXANet-YOLO模型比基准模型YOLOv5在火焰检测上具有更高的检测精度和检测速度,准确率提高了8.2%,检测速度每秒提升25帧.

基于Fast-CAANet的火焰检测方法

高效率高速度的火焰检测方法对预防火灾、保护社会安全具有十分重要的作用.本文面向社会安全应用需求,提出一种基于Fast-CAANet的火焰检测方法.先提出一种CAA模块,加强卷积和注意力机制的有效融合;然后构建CAANet网络的主干网络(CAABlock),更有效提取火焰的丰富特征;再提出参数更小、准确度更高的Fast-CAABlock模块,提出了加强火焰特征提取的方案.实验结果表明,Fast-CAANet准确率达到91.42%,计算量3.9 GMac较小.所提火焰检测算法与其它算法相比,性能更优,效果更好.