基于轻量化YOLOv4的火灾检测识别算法
文档名：基于轻量化YOLOv4的火灾检测识别算法
摘要：为了满足火灾实时蔓延对检测速度和准确率的更高要求,在YOLOv4的基础上,提出了一种轻量化火灾检测方法.将改进的MobileNetV3作为主干特征提取网络来降低模型复杂度,提高火灾检测速度,并引入高效通道注意力(ECA)机制模块,有效地捕获了跨通道交互,增强了对火灾目标区域的重点关注.在加强特征提取网络部分,采用了加权双向特征金字塔(BiFPN)网络结构,不增加额外参数的同时,融合了更多不同尺度的特征,对不同大小火灾区域的检测精度有了显著提升.实验结果表明:所提方法具有较好的火灾检测效果,在自建的数据集上,平均精度达到了86.4％,检测速度达到了58fps,相较于原模型,分别提升了2.3％和24fps,同时模型大小缩减了79％.
作者：郝新泽施一萍邓源秦瑶刘瑾Author：HAOXinzeSHIYipingDENGYuanQINYaoLIUJin
作者单位：上海工程技术大学电子电气工程学院,上海201620
刊名：传感器与微系统 ISTICPKU
Journal：TransducerandMicrosystemTechnologies
年，卷(期)：2023, 42(8)
分类号：TP391.41
关键词：火灾检测深度学习注意力机制多尺度特征融合深度可分离卷积
Keywords：firedetectiondeeplearningattentionmechanismmulti-scalefeaturefusiondepthwiseseparableconvolution
机标分类号：TP391.41TN912.34U491.52
在线出版日期：2023年8月25日
基金项目：国家自然科学基金基于轻量化YOLOv4的火灾检测识别算法[
期刊论文]传感器与微系统--2023, 42(8)郝新泽施一萍邓源秦瑶刘瑾为了满足火灾实时蔓延对检测速度和准确率的更高要求,在YOLOv4的基础上,提出了一种轻量化火灾检测方法.将改进的MobileNetV3作为主干特征提取网络来降低模型复杂度,提高火灾检测速度,并引入高效通道注意力(ECA)机制模块...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于轻量化YOLOv4的火灾检测识别算法Fire detection and recognition algorithm based on lightweight YOLOv4
基于轻量化YOLOv4的火灾检测识别算法.pdf
页:
[1]