火灾是一种极具破坏性的灾害,对火焰和烟雾的检测有助于及时发现火灾,以便采取有效措施将损失最小化.现有的算法对火焰烟雾的检测精度较低,不能做到精确识别小目标火焰和烟雾.为了进一步提高检测准确率,提出了基于YOLOv5s算法进行改进...火灾是一种极具破坏性的灾害,对火焰和烟雾的检测有助于及时发现火灾,以便采取有效措施将损失最小化.现有的算法对火焰烟雾的检测精度较低,不能做到精确识别小目标火焰和烟雾.为了进一步提高检测准确率,提出了基于YOLOv5s算法进行改进的火焰烟雾检测算法FS-YOLO.首先,在主干网络的C3模块中融合CA注意力机制来增强模型对图像特征的感知能力;其次,为了实现高效多尺度特征融合,将双向加权特征金字塔网络(BiFPN)用于颈部的多尺度信息融合;此外,在主干网络中加入由混合卷积层和普通卷积层组成的CSPCM模块,以便通过少量计算代价来提取火焰烟雾显著特征;最后,为提高边界框回归准确率,采用了基于最小点的MPDIoU损失函数和ReLU激活函数加速网络的训练和推理.在Fire and Smoke数据集上的实验结果表明:FS-YOLO达到了mAP@0.5上0.606和mAP@0.5-0.95上0.275的检测精度,相较于YOLOv5s分别提升5.21%和8.27%,FS-YOLO在实际运行中的速度为303 FPS,实现了高精度快速的实时火焰烟雾检测.展开更多
针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提...针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。展开更多
文摘火灾是一种极具破坏性的灾害,对火焰和烟雾的检测有助于及时发现火灾,以便采取有效措施将损失最小化.现有的算法对火焰烟雾的检测精度较低,不能做到精确识别小目标火焰和烟雾.为了进一步提高检测准确率,提出了基于YOLOv5s算法进行改进的火焰烟雾检测算法FS-YOLO.首先,在主干网络的C3模块中融合CA注意力机制来增强模型对图像特征的感知能力;其次,为了实现高效多尺度特征融合,将双向加权特征金字塔网络(BiFPN)用于颈部的多尺度信息融合;此外,在主干网络中加入由混合卷积层和普通卷积层组成的CSPCM模块,以便通过少量计算代价来提取火焰烟雾显著特征;最后,为提高边界框回归准确率,采用了基于最小点的MPDIoU损失函数和ReLU激活函数加速网络的训练和推理.在Fire and Smoke数据集上的实验结果表明:FS-YOLO达到了mAP@0.5上0.606和mAP@0.5-0.95上0.275的检测精度,相较于YOLOv5s分别提升5.21%和8.27%,FS-YOLO在实际运行中的速度为303 FPS,实现了高精度快速的实时火焰烟雾检测.
文摘针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题,提出一种基于YOL Ov5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制,以提升对聚集目标的关注,解决因遮挡导致的检测效果差的问题;将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构,增强模型不同方向上的多尺度融合能力,使目标多尺度特征有效融合,提升对小目标的识别能力;使用SIoU(Structured Intersectionover Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数,以提高边框回归精度。实验结果表明,改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。
