检索结果-南通市图书馆

作者：杨湖广华南理工大学

学位级别：硕士

近年来我国对电力能源的依赖度越来越高,电网规模不断扩大,保障输电线路安全运行变得至关重要。输电线路周边环境中发生火灾会直接影响输电线路的正常运行,影响到人们生活生产的正常用电,需要及时对输电线路周边的烟火情况进行检测,尽... 详细信息

近年来我国对电力能源的依赖度越来越高,电网规模不断扩大,保障输电线路安全运行变得至关重要。输电线路周边环境中发生火灾会直接影响输电线路的正常运行,影响到人们生活生产的正常用电,需要及时对输电线路周边的烟火情况进行检测,尽早发现火灾,减少火灾的危害。输电线路周边采集的烟火图像质量易受环境影响,烟火数据量较为匮乏,加上现有深度学习算法对多尺度和形状不规则的烟火目标特征提取能力不足,导致算法对烟火目标的检测精度不高。基于深度学习的检测算法还存在参数量和计算量大的问题,难以在边缘端设备中部署运行。针对以上问题,本文对输电线路周边烟火目标检测算法进行研究并分别在服务器和边缘端进行算法部署,主要工作如下:(1)烟火图像处理及数据增强以改善图像质量,丰富数据多样性。为了解决雾天情况下烟火图像对比度低和图像模糊的问题,采用限制对比度自适应直方图均衡化去雾算法和拉普拉斯图像增强算法改善图像质量。使用K-means聚类算法对构建好的烟火数据集进行数据分析,改进算法的锚框设置,使算法锚框更好地匹配真实烟火目标尺寸。为了解决数据匮乏的问题,根据烟火图像特点,从图像亮度、目标尺寸位置、图像背景和目标数量等多方面对数据集进行在线增强处理,丰富数据多样性。(2)针对输电线路周边烟火目标对YOLOv4算法进行改进,设计适合服务器部署的基于特征增强与辅助定位检测的烟火检测算法。为了使算法适应烟火目标不规则的形状,更好地提取目标特征,采用可变形卷积对主干网络的CSP特征提取结构进行改进,自适应调整卷积核形状。为了提升对多尺度烟火目标的特征提取,设计基于双注意力与多感受野特征增强融合的改进结构,引入双注意力加强算法对目标特征和空间位置的关注度,通过多尺度感受野特征增强结构融合不同感受野大小的烟火特征图,同时加入横向跳接结构对同层特征进行融合。为了提升算法对烟火目标的定位能力,对检测头进行改进,设计基于辅助定位的检测头结构。最后为了解决自身算法训练过程中的难易分样本不均衡问题,引入Focal Loss对损失函数改进。(3)为了减少算法的参数量和计算量,使烟火检测算法更适合在边缘端设备中部署,本文研究了轻量化网络结构设计、网络剪枝和模型量化三种轻量化方案。在轻量化网络结构设计方面,采用轻量级网络和轻量化卷积结构对算法的主干网络和加强特征提取结构进行改进,实现网络结构精简化。在网络剪枝方面,针对网络中相似度高的冗余卷积核进行裁剪,引入卷积核相似性进行改进,优化网络剪枝效果。在模型量化方面,基于KL散度和偏差校正对量化方法进行改进,减少模型量化中的精度损失。(4)烟火检测系统设计与实现。根据任务要求,对本文的烟火检测算法进行部署,实现烟火检测功能,分别开发设计基于服务器的烟火检测系统和基于边缘端的烟火检测系统。

关键词：深度学习烟火目标检测特征增强轻量化算法部署

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于EE-YOLOv8s的多场景火灾迹象检测算法

引用

图学学报 2025年第1期46卷 13-27页

作者：崔克彬耿佳昌华北电力大学计算机系河北保定071003 复杂能源系统智能计算教育部工程研究中心河北保定071003

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... 详细信息

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

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：