-
题名基于EE-YOLOv8s的多场景火灾迹象检测算法
被引量：1
- 1
-
-
作者
崔克彬
耿佳昌
-
机构
华北电力大学计算机系
复杂能源系统智能计算教育部工程研究中心
-
出处
《图学学报》
北大核心
2025年第1期13-27,共15页
-
文摘
针对目前烟火场景检测中,光照变化、烟火动态性、复杂背景、目标过小等干扰因素导致的火灾迹象目标误检和漏检的问题,提出一种YOLOv8s改进模型EE-YOLOv8s。设计MBConv-Block卷积模块融入YOLOv8的Backbone部分,实现EfficientNetEasy特征提取网络,保证模型轻量化的同时,优化图像特征提取;引入大型可分离核注意力机制LSKA改进SPPELAN模块,将空间金字塔部分改进为SPP_LSKA_ELAN,充分捕获大范围内的空间细节信息,在复杂多变的火灾场景中提取更全面的特征,从而区分目标与相似物体的差异;Neck部分引入可变形卷积DCN和跨空间高效多尺度注意力EMA,实现C2f_DCN_EMA可变形卷积校准模块,增强对烟火目标边缘轮廓变化的适应能力,促进特征的融合与校准,突出目标特征;在Head部分增设携带有轻量级、无参注意力机制SimAM的小目标检测头,并重新规划检测头通道数,加强多尺寸目标表征能力的同时,降低冗余以提高参数有效利用率。实验结果表明,改进后的EE-YOLOv8s网络模型相较于原模型,其参数量减少了13.6%,准确率提升了6.8%,召回率提升了7.3%,mAP提升了5.4%,保证检测速度的同时,提升了火灾迹象目标的检测性能。
-
关键词
烟火目标检测
EfficientNetEasy主干网络
大型可分离核注意力机制
可变形卷积校准模块
小目标检测
-
Keywords
smoke and fire target detection
EfficientNetEasy backbone network
large separable kernel attention mechanism
deformable convolutional calibration module
small target detection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
