为降低公路车辆发生火灾事故的风险,减少人员伤亡以及保护公路结构安全,精准并快速检测火灾的发生尤为重要。针对目前公路场景下火灾检测精度不高、检测速度较慢的问题,提出了一种基于改进YOLOv8模型的火灾检测算法。通过重新设计C2f模...为降低公路车辆发生火灾事故的风险,减少人员伤亡以及保护公路结构安全,精准并快速检测火灾的发生尤为重要。针对目前公路场景下火灾检测精度不高、检测速度较慢的问题,提出了一种基于改进YOLOv8模型的火灾检测算法。通过重新设计C2f模块,添加了高效通道注意力(Efficient Channel Attention,ECA)机制,提高了检测精度,减轻了车辆尾灯的干扰;使用SIoU(Shape-Aware Intersection over Union)优化原始网络模型的损失函数,提高了边界框的回归性能;在颈部(Neck)模块引入一种轻量化卷积——GSConv(Grouped Spatial Convolution)使模型能够在保证检测精度的同时提高检测速度,增强了模型的实时性效果。实验结果显示,相较于原模型,改进模型在公路车辆火灾检测数据集上,平均精度均值(mean Average Precision,mAP)提高了1.8%,轻量化后的模型参数下降了10%,前传耗时减少了13.6%,拥有更高的检测精度和检测速度,可以满足火灾实时性检测要求。展开更多
文摘为降低公路车辆发生火灾事故的风险,减少人员伤亡以及保护公路结构安全,精准并快速检测火灾的发生尤为重要。针对目前公路场景下火灾检测精度不高、检测速度较慢的问题,提出了一种基于改进YOLOv8模型的火灾检测算法。通过重新设计C2f模块,添加了高效通道注意力(Efficient Channel Attention,ECA)机制,提高了检测精度,减轻了车辆尾灯的干扰;使用SIoU(Shape-Aware Intersection over Union)优化原始网络模型的损失函数,提高了边界框的回归性能;在颈部(Neck)模块引入一种轻量化卷积——GSConv(Grouped Spatial Convolution)使模型能够在保证检测精度的同时提高检测速度,增强了模型的实时性效果。实验结果显示,相较于原模型,改进模型在公路车辆火灾检测数据集上,平均精度均值(mean Average Precision,mAP)提高了1.8%,轻量化后的模型参数下降了10%,前传耗时减少了13.6%,拥有更高的检测精度和检测速度,可以满足火灾实时性检测要求。
