基于YOLOv7的矿工吸烟识别方法研究

井下矿工的吸烟行为严重影响煤矿生产安全,对井下矿工吸烟行为的有效识别迫在眉睫。针对煤矿井下的特殊环境和传统识别方法准确率低的问题,提出一种基于YOLOv7的矿工吸烟行为识别算法YOLO-SFN。将SimAM嵌入到YOLOv7的网络结构中,用Focus模块替换MPConv下分支中的3×3卷积核,提高模型在复杂背景下的特征提取能力。在后处理阶段采用Soft-NMS作为网络模型的后处理算法,解决了传统NMS算法在复杂密集环境中的漏检问题。实验结果表明,该方法的准确率为96.45%,召回率为92%,精确率为97.05%。研究成果已经在陈四楼煤矿得以推广应用,实现了对煤矿井下矿工吸烟行为的有效监管。

基于YOLOv7的人体关联实时吸烟目标检测方法

聚焦以智能安防系统为基础的吸烟行为自动检测问题,解决复杂背景影响下吸烟检测的误检漏报缺陷,提出了基于YOLOv7的人体关联实时吸烟目标检测方法。通过定位香烟和场地内人员,利用目标关联的方式解决吸烟行为的实时检测问题。实验测得该方法的mAP值为90%,帧率为130.1FPS,结果说明基于YOLOv7的人体关联实时吸烟目标检测方法可适用于高精度的实时目标检测系统。

一种改进YOLOv5s的森林火灾烟雾检测算法

提出一种基于改进YOLOv5s的森林火灾烟雾检测算法。构建包含16573幅图片的火焰烟雾数据集,解决训练数据不足的问题,提高训练模型的泛化能力。设计一种轻量化的GC-C3模块替换原有的C3模块,减少模型参数量和计算量;将加权双向特征金字塔网络结构融合到Neck结构中,增强网络对于中小目标的检测能力;修改网络空间金字塔池化结构,使用SimSPPF结构替换SPPF,提高了网络的计算效率和检测准确度;将边界框回归损失函数CIOU替换为Focal-EIOU,加快模型的收敛速度,解决正负样本不匹配的问题。实验结果表明:改进之后的网络平均检测准确度提高2.3%,模型参数数量下降46.7%,模型计算量下降47.5%。

YOLO V4模型在含硫井站火焰和烟雾检测中的应用

针对含硫天然气中H2S等腐蚀性物质易导致井站设备、管线等发生泄漏,易引发火灾,但常用的火焰和烟雾检测仪器、算法易受井站复杂环境影响,且含硫井站人工巡检存在一定风险,提出一种基于深度学习目标检测模型的含硫井站火焰和烟雾检测方法。首先,将能在移动端实时检测的YOLO V4目标检测模型先对公开火焰、烟雾数据集进行训练;接着,将训练好的模型采用迁移学习方法对井站火焰、烟雾数据集进行训练,提取井站火焰、烟雾特征;最后,经迁移学习训练后的YOLO V4模型对火焰、烟雾检测的平均精度均值高达99.62%,配合巡检机器人将对含硫井站有更好的火灾预警和救援侦察能力。

改进YOLOv5s的地下车库火焰烟雾检测方法

针对传统地下车库火灾检测不及时且无法给出火灾详细信息、目标检测对小目标烟火检测困难、其他烟火检测精度低等问题,提出了一种改进YOLOv5s的地下车库烟火检测算法。在YOLOv5s主干网络的最后一个C3模块中加入了注意力机制,帮助网络模型更充分地提取烟火多尺度空间信息和重要特征;对Neck部分进行改进,增强特征交互和小目标烟火检测能力;对主干网络卷积模块进行改进,提高烟火特征提取能力;引入WIoU(wise intersection over union)作为新的边界框损失函数,增强模型泛化能力;引入Soft NMS(soft non-maximum suppression)用以增强重叠烟火检测能力。在自制烟火数据集上进行对比实验,结果表明,改进后的模型权重减小0.2 MB,精度提升了6.8个百分点,能够满足地下车库烟火检测要求。

改进YOLOv5s的黑烟车辆检测算法研究

针对当前视觉黑烟车辆检测精度低、小目标难以检测的问题,提出改进YOLOv5s的黑烟车辆检测算法。首先,基于公开网络数据和真实道路拍摄图像构建黑烟车辆数据集,解决数据集受限问题。其次,改进网络模型,添加预测层,提高模型对小目标的检测性能,引入坐标注意力(Coordinate Attention, CA),增强模型的特征提取能力,进一步提高检测精度。最后,改进边界框回归损失函数为GIoU,提高边界框定位精度。实验结果表明,该改进模型能够有效地检测远距离小目标,改善漏报和虚警等问题。与原始YOLOv5s模型相比,该改进模型平均检测精度(mAP)提高3.1%,黑烟类别检测精度(AP)提高4.9%,在小目标场景中表现出较强的泛化能力。

基于YOLOv5的抽烟检测系统设计

针对公共禁烟场所中自动检测识别抽烟行为的问题,提出了基于YOLOv5目标识别算法的抽烟检测系统。该系统主要有目标识别模块、语音播报模块、摄像头模块和数据库模块,实验使用Python语言在PyCharm开发平台上对目标识别功能和数据库模块进行设计和编程实现,通过Arduino开发平台连接SYN6288语音播报模块,实现抽烟行为的智能检测识别,对抽烟检测研究有一定的参考意义。

基于改进YOLO-V5算法的烟火检测方法

为减少自然环境中云、水雾、沙尘、灯光、日出、日落等干扰因素对烟雾、火焰目标检测准确性的影响,提出一种基于改进YOLO-V5算法的烟火检测算法。采用现场采集和网络爬取的方法获取烟雾、火焰目标图像和干扰类图像数据集,均衡学习训练样本,提高模型泛化能力;使用加权双向特征金字塔网络(BiFPN)替换原有的特征金字塔网络(FPN)+路径聚合网络(PAN)结构,对目标进行多尺度特征融合,加强模型特征融合能力;同时,运用距离交并比(DIoU)非极大值抑制(NMS)替代原有的NMS,加快检测框损失函数收敛速度,加强模型推理能力。结果表明:改进后的算法准确率为79.2%,召回率为68.6%,平均精度均值(mAP)为74.2%,误报率(FPR)为12.8%;相比于原YOLO-V5算法,改进后的算法准确率、召回率、mAP分别提高1.9%、0.9%、2.7%,检测识别FPR降低3.7%。

室内火灾高浓度烟雾环境火点增强识别仿真

火灾火点在形态上均具有不确定性,尤其在高浓度烟雾火灾环境中火点还具有随机透明度,易与图像的背景部分混合,导致火点位置识别难度较高。为此,提出室内火灾高浓度烟雾环境火点增强识别方法。对高浓度烟雾图像去噪、锐化以及分割处理,完成目标区域轮廓的提取。基于此,提取目标轮廓并对其增强,获取目标区域中火点的特征向量,结合孪生支持向量机对火点特征展开分类,实现室内火灾高浓度烟雾环境的火点的精准识别。实验结果表明,上述方法的火点识别精度高于98%,耗时低于210ms,且能够有效提取火点目标特征,证明了研究方法的应用效果更好,可靠性更高。

融合转置卷积的YOLOv3吸烟检测算法

为预防公共场所因吸烟而引发的安全事故,在YOLOv3框架的基础上提出了改进的吸烟检测算法;首先针对传统上采样操作丢失像素信息等问题,设计出一种卷积-转置卷积模块进行替换;在特征融合部分加入坐标注意力机制,使网络更好关注小目标;使用改进的k-means++优化先验框;最后将GIoU替换IoU作为算法的损失函数,进一步提高检测精度;此外,构建了一个多场景的抽烟数据集,并对数据集进行数据增强与扩充;实验结果表明,改进后的算法较原算法在AP@0.5和AP@0.5∶0.95上分别提高5.58%和3.34%,FPS降低3左右。

基于改进YOLOv5s的焦炉烟火识别算法

针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。

基于YOLOv5的地铁站场景下烟火检测系统研究

针对当前地铁车站安防监控智能化欠缺的问题,提出一种基于YOLOv5的烟火检测系统,以提高火灾检测效率。本系统以YOLOv5算法实现异常情况检测,支持对烟雾和火焰的动态检测;可通过多路视频并行推理监测,提高系统监测效率。在主干网络中加入CBAM注意力机制,基于火焰动态特性,提出基于帧差法的虚检抑制算法ODF-LOOK,降低静态虚检对输出结果的影响。经过实验测试,改进后算法识别精度提高到98.9%,语音警报和云端短信报警功能效果良好,对烟火异常情况检测有效而便利。该系统对于预防火灾事故、提高安全水平具有较高的实用意义。

基于ViBe和目标检测的视频烟雾检测算法

提出了一种基于ViBe与目标检测的VSmokeNet烟雾检测算法。首先,该算法通过改进ViBe算法,减少噪声点的引入,提取到完整的运动前景区域,完成对烟雾的粗筛选;接着,利用大样本数据集训练的改进YOLOv5s网络对粗筛得到的烟雾运动前景区域进行二次筛选,最终实现视频烟雾的精确框定。实验结果表明,该算法在各种场景下有良好的检测效果。

基于改进YOLOv5的电厂人员吸烟检测

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失;针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员违规吸烟检测方法;该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA(Efficient Channel Attention)注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU(Scylla Intersection over Union),进一步提高算法的检测精度;最后采用加权双向特征金字塔网络(BiFPN,Bidirectional Feature Pyramid Network)代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合;实验结果表明,改进后算法吸烟行为的检测精度为89.3%,与改进前算法相比平均精度均值(mAP,mean Average Precision)提高了2.2%,检测效果显著提升,具有较高应用价值。

融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明:融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.0016%,在所有测试视频的平均检测速度为51.67帧/s,YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。

改进YOLOv5s的煤矿烟火检测算法

针对传统的煤矿烟火检测存在检测时间长、误检率高等特点,提出了一种基于改进YOLOv5s的煤矿烟火检测算法。为了弥补后续改进带来的参数量和计算量等问题,使用GhostNet重构YOLOv5s的颈部,使得网络更加轻量化;为了解决小目标检测问题,提出了全局上下文特征提取模块BoT3(bottleneck transformer),该模块可以为小目标提供全局上下文信息,帮助模型更好地预测小目标。同时,在每个检测头位置加入SA(shuffle attention)注意力机制,使模型更聚焦小目标信息,抑制噪声的干扰;将边界框回归损失函数CIoU替换为SIoU,提高回归精度,加速模型的收敛。实验结果表明,改进之后的YOLOv5s参数量、计算量更小,精度更高,能够满足煤矿烟火检测要求。

火力发电企业生产区域吸烟行为检测方法研究

吸烟行为检测对于保障火力发电企业生产区域的设备运行状况、作业人员的生命和财产安全具有重要意义。目前吸烟行为检测主要基于香烟目标的检测,但是在火力发电厂生产区域中大多都是大场景、低清晰度的摄像头,监控视频中的香烟属于极小目标,检测困难度大、检测准确率低。为了解决上述问题,提出了一种基于脸部状态分析的吸烟行为分析方法。首先检测出监控画面中出现的人体脸部,并对人体脸部的状态进行分析,通过人体脸部被手部遮挡的情况判断是否属于类吸烟姿态,同时根据脸、人体和手部的相对位置判断提高检测的准确率;然后,通过时序处理模块对人体脸部一段时间内的状态进行分析,当某一段时间内出现类吸烟姿态的频率大于设定的阈值,就可以认定出现了吸烟行为并发出警报。实验结果表明,该方法在工业场景中的查准率、查全率、平均检测时间均优于目前已有的吸烟行为检测算法。

基于改进YOLOv5的小目标烟雾检测算法

为解决火灾中的小目标烟雾检测精度不高的问题,提出一种基于改进YOLOv5的小目标烟雾检测算法。首先,将特征融合注意力(FFA)模块引入至主干网络中,使模型专注于小目标烟雾特征信息的提取;其次,通过采用多尺度金字塔解耦头(MPDH)模块替换卷积层模块,以改进YOLOv5算法中预测头层的检测部分,用于提升小目标烟雾的定位精度;最后,在专有数据集上进行试验验证与分析。结果表明:基于改进的YOLOv5小目标烟雾检测算法在目标检测精度上达到85.4%,在准确率、召回率方面,相较于原始算法分别提高了3.2%、6.3%。

烟气污染物协同脱除技术研究进展

以固体垃圾焚烧发电为例,分析了其烟气净化系统的工作流程。评述了常规污染物脱除技术,重点分析了挥发性有机化合物与汞协同脱除的机理在于吸附条件的相近性,而硫、氯、二噁英协同脱除是因为低温等离子体可以同时与硫化物、氯化物以及二噁英发生反应,热力型氮与活性氯协同脱除是在相近温度区间内同时实现热力型氮催化还原和活性氯催化氧化。最后介绍了协同脱除技术的发展情况,并提出在协同脱除技术领域的研究中,应在成本和废料等综合因素中寻找平衡点的建议。

基于深度学习算法的校园吸烟检测方案设计

为了提升校园公共区域禁烟监督管理的效率,文章提出了基于深度学习算法的吸烟行为检测方案。文章结合图像处理技术与深度学习算法对采集到的图像进行检测,通过人脸检测算法对人脸进行定位与裁剪,以降低背景信息的干扰。文章选取裁剪后的图像中的嘴部区域作为感兴趣区域,并利用目标检测模型对嘴部的香烟进行检测。文章方案并结合物理设备可有效地对校园公共区域吸烟情况进行检测,有助于进一步推进智慧校园的建设。