改进YOLOv3的火灾检测
针对火灾检测中小目标检测率低、复杂场景下检测精度低和检测不及时等问题,提出了一种改进YOLOv3的火灾检测算法.首先,通过改进的K-means聚类算法重新获取更符合火焰和烟雾尺寸的anchor;其次在Darknet-53后添加空间金字塔池化,提升了网络的感受野进而增强了网络对小尺度目标的检测能力;然后通过CIoU改进损失函数,在计算坐标误差时考虑中心和宽高坐标两者的相关性,加快了损失函数的收敛;最后使用mosaic数据增强丰富了待检测物体的背景.在自制的数据集上训练并测试,实验结果表明:改进后的算法比YOLOv3火焰的AP从94%提升至98%,烟雾的AP从82%提升至94%,平均检测速度从31 fps提升至43 fps,相比Faster R-CNN、SDD等算法也有更高的mAP和更快的检测速度.因此,改进后的算法能够更有效地进行火灾预警.
火灾检测、YOLOv3、空间金字塔池化、CIoU、mosaic数据增强、目标检测、深度学习
31
TP391.41;TP183;U495
陕西省科技计划重点项目2017ZDCXL-GY-05-03
2022-04-26(万方平台首次上网日期,不代表论文的发表时间)
共11页
143-153