基于动态形状特征提取及增强的改进YOLOv3火焰检测算法

作者：丁浩; 王慧琴^*; 王可

来源：激光与光电子学进展, 2022, 59(24): 37-45.

DOI：10.3788/lop202259.2410003

• 火焰检测
• 动态形状
• ResNet50＿vd
• 卷积神经网络

针对现有多目标检测网络对动态火焰特征提取及增强能力不足，检测效果不佳的问题，提出基于动态形状特征提取及增强的改进YOLOv3火焰检测算法。采用小尺寸结构的ResNet50＿vd作为YOLOv3的主干网络，减少特征信息冗余；在主干网络stage 4和stage 5中加入可变形卷积模块，控制采样网格随火焰目标形状的动态变化；引入交并比（IoU）Aware模块，增加置信度得分与IoU定位精度的相关性，提高网络的火焰特征提取能力；同时在YOLOv3 Head中加入Drop Block，引入IoU预测分量优化损失函数，提高模型学习过程中的特征增强能力。通过消融实验验证各改进部分对模型的提升效果，实验结果表明，改进模型对火焰的检测精度达94.11%，推理速度达73.52 frame/s，能够有效满足对动态形状火焰的检测要求。

• 单位
  西安建筑科技大学