科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前森林火灾多发，建立起日常监测尤为重要，但是边缘智能检测设备算力和内存较低，限制了检测模型的推理和部署。针对以上问题，提出一种改进的重参数化YOLOv5s的森林火灾检测算法，结合重参数化、通道重排、深度可分离卷积等轻量化思想分别设计新的骨干和颈部网络，增强特征提取能力，提高模型检测精度，使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失，根据空洞卷积提出特征增强模块，增强多尺度特征融合能力。同时为进一步提高模型性能，加入轻量化的CA注意力机制，更准确定位目标。除此之外，当前公开的火焰烟雾数据集存在针对性不强的问题，为了更好的提高模型的检测效率，制作了一个新的森林火灾数据集，同时在数据集上利用结构相似性算法剔除了相似度过高的图片，保证了模型的泛化能力。经过实验表明，改进后的重参数化YOLOv5s以原网络约76%的参数量提高了4.0%的精确度，同时推理权重下降至10.5M，更适合于设备性能差、容量小的边缘设备，提高了森林火灾巡检的效率。
- 单位
