基于YOLOv5s的社交媒体平台火灾图像检测方法研究

作者：杨文阳; 吴叶森; 张峰; 李湘眷

来源：中国电子科学研究院学报, 2022, 17(09): 833-841.

• YOLOv5s
• 深度学习
• 机器视觉检测技术
• YOLO

在城市火灾发生时，社交媒体平台上的火灾现场照片对于火灾应急响应人员和决策者来说具有非常高的价值，可使决策者的决策制定更加高效，分配救援资源更加合理.然而，因社交媒体平台上图片数量巨大且伴随着大量与火灾现场不相关的火焰图片，所以需要采用一种方法对不相关图片进行筛选，且要保证速度与精确度。为此，文中提出了一种基于YOLOv5s网络构建对社交媒体平台图片实时筛选分类的方法，首先，通过对社交媒体平台上的火灾图像进行爬取，并对爬取到的3 000张火灾图像数据集进行标注并构建数据集；然后，使用四种不同深度与宽度的YOLOv5s网络模型进行训练和测试；最后，对四种模型进行了比较和分析。实验结果表明，使用YOLOv5s模型训练效果整体优于其他三种模型，通过数据集测试网络模型能达到98.9%的精确率和92.1%的召回率以及96.9%的平均精度，检测每张图片的时间为0.009 s,很好地满足了实时筛选分类的要求。

• 单位
  西安石油大学