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。