基于轻量化YOLOv4的火灾检测识别算法

郝新泽; 施一萍; 邓源; 秦瑶; 刘瑾

doi:10.13873/J.1000-9787(2023)08-0143-05

Chinese

您当前的位置：

首页 >

文章列表页 >

基于轻量化YOLOv4的火灾检测识别算法

计算与测试 | 更新时间：2025-09-11

- 基于轻量化YOLOv4的火灾检测识别算法
- 暂无标题
- 传感器与微系统 2023年第8期页码：143-147
- 作者机构：
  
  上海工程技术大学电子电气工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(61701296)
- DOI：10.13873/J.1000-9787(2023)08-0143-05
  中图分类号： X932;TP183;TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
郝新泽, 施一萍, 邓源, 等. 基于轻量化YOLOv4的火灾检测识别算法[J]. 传感器与微系统, 2023,(8):143-147.
郝新泽, 施一萍, 邓源, 等. 基于轻量化YOLOv4的火灾检测识别算法[J]. 传感器与微系统, 2023,(8):143-147. DOI： 10.13873/J.1000-9787(2023)08-0143-05.

DOI：

摘要

为了满足火灾实时蔓延对检测速度和准确率的更高要求，在YOLOv4的基础上，提出了一种轻量化火灾检测方法。将改进的MobileNetV3作为主干特征提取网络来降低模型复杂度，提高火灾检测速度，并引入高效通道注意力(ECA)机制模块，有效地捕获了跨通道交互，增强了对火灾目标区域的重点关注。在加强特征提取网络部分，采用了加权双向特征金字塔(BiFPN)网络结构，不增加额外参数的同时，融合了更多不同尺度的特征，对不同大小火灾区域的检测精度有了显著提升。实验结果表明：所提方法具有较好的火灾检测效果，在自建的数据集上，平均精度达到了86.4%

检测速度达到了58 fps

相较于原模型，分别提升了2.3%和24 fps

同时模型大小缩减了79%。

Abstract

关键词

Keywords

references

基于深度学习的目标检测算法综述[J]. 吴雪;宋晓茹;高嵩;陈超波.传感器与微系统,2021(02)

嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法[J]. 张为;魏晶晶.天津大学学报(自然科学与工程技术版),2020(09)

基于SVM的视频火焰检测算法[J]. 熊昊;李伟.传感器与微系统,2020(01)

ECA-Net: Efficient channel attention for deep convolutional neural networks[J]. Wang Q.;Wu B.;Zhu P.;Li P.;Zuo W.;Hu Q..Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020

Smoke Detection on Video Sequences Using 3D Convolutional Neural Networks[J]. Gaohua Lin;Yongming Zhang;Gao Xu;Qixing Zhang.Fire Technology,2019

A Saliency-Based Method for Early Smoke Detection in Video Sequences[J]. Yang Jia;Jie Yuan;Jinjun Wang;Jun Fang;Qixing Zhang;Yongming Zhang.Fire Technology,2016

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition.[J]. He Kaiming;Zhang Xiangyu;Ren Shaoqing;Sun Jian.IEEE transactions on pattern analysis and machine intelligence,2015

浏览量

385

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种新型注意力机制的双人交互行为识别方法

面向校园场景视频监控的人体行为识别方法

基于改进U²-Net的摇床精矿带图像分割方法

基于改进卷积神经网络的膝关节图像分类研究

融合注意力与多层次特征提取的行人再识别方法