-
题名基于EE-YOLOv8s的多场景火灾迹象检测算法
被引量：2
- 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]
-
-
题名基于改进YOLOv5香菇成熟度检测模型
- 2
-
-
作者
李俊成
徐增丙
孙茂基
-
机构
武汉科技大学机械自动化学院
武汉科技大学冶金装备及其控制教育部重点实验室
-
出处
《农业装备与车辆工程》
2024年第6期18-22,共5页
-
基金
国家自然科学基金面上项目“广度自适应的深度迁移度量学习方法及其在复杂机械设备故障诊断与预测中的应用研究”(51775391)。
-
文摘
准确检测成熟度对香菇智能化采摘具有重要意义,因此提出一种基于改进YOLOv5实例分割香菇的成熟度检测方法。该方法在骨干网络的C3模块中添加挤压和激发模块(SENet),增强了对香菇具体特征的学习能力,同时将颈部网络中的2个卷积模块替换为可变形卷积模块(Deformable Convnets v2, DCN v2),使网络更好地适应目标香菇的形状和位置变化,提高成熟度检测的准确率和鲁棒性。实验表明,改进后的模型识别香菇成熟度的检测精度达到91.7%,较原模型提高了6.1%,检测的准确性与可靠性均优于原模型,为香菇智能化种植推广提供了技术支撑。
-
关键词
YOLOv5
注意力机制
可变形卷积模块
香菇成熟度
-
Keywords
YOLOv5
attention mechanism
deformable convolutional module
mushroom maturity
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
