一种改进YOLOX_S的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高等问题,在YOLOX框架下提出改进YOLOX_S目标检测算法。首先在数据集建立方面,采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9621张图片。并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性。其次对backbone部分采用swin-T骨干网络来代替原来的CSPDarkNet骨干网络,能够更好的捕捉不同尺度下的特征,有效地提升了目标检测的精度。然后对网络模型引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)特征融合网络,提高检测的效率和网络模型的适应性,在复杂背景下同样可以保持较高的检测精度。最后引入CA注意力机制来加强此算法的特征提取能力。经过对比实验表明,改进后的YOLOX_S的火焰烟雾检测算法具有较高准确性,其mAP@0.5(预测框与真实框重合程度的阈值为0.5时的平均检测精度)达到81.5%,相比原网络提高了5.3%。改进后的YOLOX_S网络模型在火焰烟雾检测方面具有更高准确性和更低的误报率。

基于改进YOLOv5的火焰烟雾检测

为更好地实现基于图像的实时火灾预警,结合YOLOv5s提出一种改进的火焰烟雾检测算法。将YOLOv5s颈部原有的路径聚合网络模块替换为双向交叉尺度融合模块,使深层网络可以直接提取浅层特征,增强信息流并提升网络特征融合能力。在YOLOv5s头部添加引入协调注意力的推理层,在不过多增加计算量的前提下加强检测头对网络信息的提取和定位能力,并提高检测精度。采用HSV色域增强、随机旋转、Mosaic等多种数据增强技术调整并扩充训练数据,使用k-means聚类算法获取数据集先验锚框,增强检测模型鲁棒性。实验结果表明,与基于YOLOv5s的火焰烟雾检测算法相比,改进算法的平均精度均值提升了3.2个百分点,检测速度达到243帧/s,并且保持了YOLOv5s的轻量化优势,在遮挡、夜晚、小目标等复杂场景下均具有较好的火焰烟雾检测效果。

基于改进YOLOv7的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高、检测速度慢等问题,在YOLOv7框架下提出改进的YOLOv7目标检测算法。首先在数据集建立方面采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片,并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性;其次对backbone部分,引入GhostNetV2模块,降低参数量的同时,增加模型检测的准确性,并且在neck部分,引入Slim范式,使用一次性聚合方法来设计跨级部分网络VoV-GSCSP模块。VoV-GSCSP模块降低了计算量和网络结构的复杂性,并保持了足够的精度;最后引入解耦头,增加模型的收敛速度,并且进一步提高网络模型的准确性。总体改进后的网络模型参数量降低了约3.4 MB,mAP@0.5提高了2.4%,并且检测速度也得到提升,满足火焰烟雾实时性的需求。

一种轻量化网络的火焰烟雾检测算法

针对算力有限的移动和嵌入式平台,提出了一种基于深度学习的轻量化火焰烟雾检测算法。利用数据增强来解决数据量较少的问题,使用one-stage目标检测方法中的YOLOv4作为火焰烟雾检测的模型框架,采用轻量化神经网络MobileNetV3替换YOLOv4的原主干特征提取网络,减少了模型参数量;再采用深度可分离卷积替换掉YOLOv4中的标准卷积块,进一步在加强特征提取网络和预测层减少了参数量;最后对空间金字塔池化部分进行改进,减少背景干扰带来的影响,减少最大池化导致的部分有用特征信息丢失。在该数据集上通过与原网络模型和其他主流目标检测方法进行对比分析,结果表明提出的轻量化网络不但保留了原模型精度,还大大减小了网络的训练参数量,提高了运行速度,更有利于模型搭载在摄像头等嵌入式设备上,实现火焰和烟雾的实时检测。

一种GSN-YOLOv5s的火焰烟雾检测方法

针对火焰烟雾检测速度慢、难以在嵌入式设备上部署等问题,设计了一种GSN-YOLOv5s的火焰烟雾检测方法。以YOLOv5s为基础,采用网络参数更小、检测速度更快的Ghost Bottleneck结构来替换原网络中的BottleneckCsp结构。考虑到减少网络参数可能会影响检测精度,在各网络层间增加SENet来降低减少参数带来的影响。通过对比实验结果表明,GSN-YOLOv5s的平均精度均值比YOLOv5s高2.4%,检测时间比YOLOv5s快20%。

基于改进YOLOX轻量级的烟雾火焰目标检测方法

本文针对目前基于深度学习的烟雾火焰目标检测任务中存在的在嵌入式设备下准确率低、实时性能差的问题,提出一种基于改进的轻量级YOLOX算法的烟雾火焰目标检测方法F-YOLOX。该方法以YOLOX-s作为基准模型,通过引入ECA注意力模块、使用SIoU损失函数和采用GELU激活函数等技术手段对原模型进行改进。实验结果表明,F-YOLOX在烟焰图像检测数据集上检测平均精度达到78.45%,比基准模型提高3.7%;检测速度达到53.4fps,比基准模型提高2.8%。F-YOLOX能够满足烟雾火焰检测任务精度和实时性的要求。

基于改进YOLOv5s的森林烟火检测算法

为了解决传统火焰烟雾检测算法在光照条件恶劣和山林云雾影响的条件下存在漏检误检、准确性下降的缺陷,提出了一种基于YOLOv5s目标检测框架的森林烟火检测算法。首先,针对火焰烟雾目标特征复杂的问题,在C3模块中融合Res2Net,增强了网络在不同尺度下的特征表示能力。然后,在主干检测网络加入SE注意力模块,达到抑制干扰信息,提升模型表征能力的效果。最后,通过集成GIOU优化损失函数,进一步提高了检测精度。改进后的的算法相比于传统算法,mAP50值提高了1.8%,P值提高了0.9%,R值提高了0.6%。

融合红外与可见光的实验室火焰图像分割识别

为实现实验室火灾识别并解决因火苗小导致相机采集到的图像火焰不显著,以及火焰伴随烟雾遮挡影响分割识别精度的问题,提出一种改进的语义感知的实时热红外和可见光图像融合分割网络。通过融合热红外与可见光图像,提供热辐射信息以增强可见光图像中因烟雾遮挡而降低的光谱信息以及火焰燃烧前期的显著性,完成对实验室烟雾遮挡下火焰以及火焰燃烧前期小火苗的分割。对融合网络中的梯度残差密集块(GRDB)增加中间特征传输块(IFTB)并引入权重块,减少融合时火焰图像的信息损失,在增强火焰图像显著性的同时以最少内容损失为基准还原可见光图像结构信息。在Deeplabv3+语义分割网络中添加基于梯度变换的边缘提取模块(EEM),增强融合图像中明暗变换显著的火焰烟雾图像边缘信息,减少烟雾遮挡对火焰分割的影响,提高火焰分割识别精度。实验结果显示,通过融合可见光与热红外图像使火焰燃烧前期图像的火焰检测分割识别精度得到了提升,改进的火焰分割网络在自采数据集中的平均交并比为91.27%,分割效率为11.96 FPS,表明改进的融合分割网络对实验室火焰烟雾分割识别的效果有明显提升,对于实验室火焰烟雾检测具有现实应用价值。

电动汽车充电站火灾多目标实时检测与预警方法

电动汽车在充电过程中易发生火灾事故,为了提高电动汽车充电站火灾检测实时性,提出一种基于YOLOv4-Tiny-CBAM的电动汽车充电站火焰烟雾多目标实时检测与预警算法:为在低算力平台实现实时检测选用YOLOv4-Tiny轻量级网络模型;引入K-means-GA算法重新计算锚框值;引入卷积注意力机制模块(convolutional block attention module,CBAM)以加强网络对火焰烟雾特征提取能力以提升检测精度;将电动汽车充电站监控视频作为模型检测输入源,实现就地端实时检测。实验结果表明:该改进算法模型参数量为6.143 M,视频检测每秒传输帧数(frames per second,FPS)值为43,均值平均精度(mean average precision,mAP)值为86.76%,具有较好的目标连续跟踪能力,满足实时检测的需求,对无人化电动汽车充电站安全运行以及火灾应急处置具有重要意义。

基于GB—YOLOv5的烟火智能检测研究

火灾的发生极大地威胁到人类的生命、财产安全,如何在初始阶段遏制火情尤为重要。针对复杂环境下火焰和烟雾目标较小、检测精度低、速度慢等问题,提出一种基于GB—YOLOv5的烟火智能检测方法。由于现有数据集限制,首先自建了包含4143张不相似图像的烟火数据集;其次将融合了注意力机制Convolutional Block Attention Module的Ghost Bottleneck模块与YOLOv5结合,在保证准确率的前提下,提高了检测速度;最后采用BIFPN模块替代PAN模块来增强颈部,更好地实现多特征融合,提高火焰和烟雾的检测能力。实验结果表明,改进后检测方法的平均精度均值比YOLOv5s高6.1%,推理速度比YOLOv5s快21%。

港口起重机视频AI应用和创新

为了进一步提高港口作业效率,提供更便捷的管理措施,及时、有效地发现各类危险行为,需要一套先进、科学、实用、稳定、可靠的安全防范监控系统,以提高港口工作效率并能及时了解警情,从而通过高科技的技术手段完善港口作业和管理。