改进YOLOv5s的城市建筑环境下的烟火检测算法

针对城市建筑环境下的烟火检测存在检测精度低、耗时较长等问题,提出一种基于YOLOv5s改进的烟火检测算法。首先通过K-means重新聚类针对烟火数据集的先验框;在YOLOv5s的主干特征提取网络中嵌入CA(Coordinate attention)注意力机制,抑制噪声的干扰;借鉴DAMO-YOLO中的Efficient RepGFPN和BiFPN(Bidirectional Feature Pyramid Network)思想设计了一个全新的颈部BiGFPN,重构YOLOv5s的颈部促进多尺度融合;为了有效利用特征图的语义信息,引入轻量级通用上采样算子CARAFE(Content-Aware ReAssembly of Features);为了降低模型改进带来的参数量和计算量,采用GhostNet重构YOLOv5s的颈部;将边界框回归损失函数CIoU替换为SIoU,加速模型的收敛并且提高精度。实验结果表明,改进后的YOLOv5s拥有更少的参数量和计算量,而且mAP50提升了4.6%,基本能够满足烟火检测的要求。