基于改进YOLOv5的电厂人员吸烟检测

摘要：

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失;针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员违规吸烟检测方法;该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA(Efficient Channel Attention)注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU(Scylla Intersection over Union),进一步提高算法的检测精度;最后采用加权双向特征金字塔网络(BiFPN,Bidirectional Feature Pyramid Network)代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合;实验结果表明,改进后算法吸烟行为的检测精度为89.3％,与改进前算法相比平均精度均值(mAP,mean Average Precision)提高了 2.2％,检测效果显著提升,具有较高应用价值.

关键词：吸烟、目标检测、多头自注意力层、注意力模块、损失函数、加权双向特征金字塔

所属期刊栏目：31

分类号：TP391.41(计算技术、计算机技术)

资助基金：江苏省自然科学基金;江苏省政策引导类计划

在线出版日期：2023-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：48-55