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：HAOXinze SHIYiping DENGYuan QINYao LIUJin
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：firedetection deeplearning attentionmechanism multi-scalefeaturefusion depthwiseseparableconvolution
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
- 文件大小:
- 8.37 MB
- 下载次数:
- 60
-
高速下载
|
|
