基于改进YOLOv5的小目标火灾检测模型研究

作     者：李坊朴 芮雪 李孜军 宋卫国 

作者机构：中国科学技术大学火灾科学国家重点实验室 南京信息工程大学应急管理学院 中南大学资源与安全工程学院 

出 版 物：《清华大学学报(自然科学版)》 (Journal of Tsinghua University(Science and Technology))

年 卷 期：2024年

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0837[工学-安全科学与工程] 0802[工学-机械工程] 

基　　金：国家重点研发计划项目(2021YFC3000300) 国家自然科学基金创新研究群体项目(52321003) 

主　　题：深度学习 图像识别 火灾监测 YOLOv5 小目标检测 

摘      要：目标检测技术已被广泛应用于各领域,然而火灾目标检测技术在小目标、低光照等具有挑战性的场景下通常表现不佳,且缺乏专门的公开数据集对该类技术的相应性能进行评估。该文针对YOLOv5算法细节提取能力弱、密集目标预测效果不佳等问题进行了研究。首先,制备了小目标火焰图像数据集用于模型训练和性能测试。其次,基于YOLOv5s模型引入3项改进:拓展多尺度检测层、嵌入swin transformer模块、优化后处理函数;构建了改进模型YOLOv5s-SSS(swin transformer with soft-NMS for small target)并进行参数优化。最后,对新模型进行了定性和定量评价。实验结果表明,YOLOv5s-SSS模型相对YOLOv5s模型的平均精确率在小目标火焰图像上提高了16.3%,在常规尺寸烟雾图像上提高了5.9%。该文制备的数据集可有效支撑改进火灾检测模型的训练与测试;构建的YOLOv5s-SSS模型性能测试可靠,为火灾图像检测技术提供了一种新的改进方案。