计算机与现代化JISUANJIYUXIANDAIHUA2023年第1期总第329期0引言近年来，火灾发生频率越来越高，且火灾的发生往往伴随着一定程度的人员伤亡、环境破坏以及财产损失。为了避免火灾事故带来的危害，应在火焰产生的初期阶段对火焰进行准确快速的检测，这不仅有利于及时控制火情，还可有效降低火灾造成的恶劣影响。鉴于火焰检测的重要性，人们已对火焰检测方法进行了广泛的研究。目前，有基于人工定义火焰特征和基于卷积神经网络2种检测方法。基于人工定义火焰特征的检测方法，由于多数火焰目标较小以及阳光、灯光等与火焰颜色相似，因此该方法的检测平均精度低、小目标火焰漏检率高。人们使用将火焰的YUV颜色模型、形状和运动特征相结合的方法［1］和将RGB颜色模型与ViBe背景提取算法相结合的方法［2］来提高基于人工定义火焰特征检测方法的效果，但效果仍不理想。卷积神经网络具有较好的自主学习性、容错性以及较快的速度［3］，常用于图像的识别和分类。现今，用于火焰检测的卷积神经网络有CNN［4］、FasterRCNN［5］和YOLO［6］系列。其中，YOLO系列相比于其他卷积神经网络而言，能够较好地提取图像的全局信息，且可以进行端到端的训练，用在火焰检测中更具优势。YOLOV5［7］是目前最新的卷积神经网络，相较于其他YOLO系列，YOLOV5具有更快的速基于改进YOLOV5的火焰检测算法王洪义，孔梅梅，徐荣青（南京邮电大学电子与光学工程学院、微电子学院,江苏南京210023）摘要：针对现有的火焰检测算法检测平均精度低、小目标火焰漏检率高的问题，提出一种改进YOLOV5的火焰检测算法。该算法使用TransformerEncode模块代替YOLOV5主干网络末端的CSPbottleneck模块，以增强网络捕获不同局部信息的能力，提高火焰检测的平均精度，并且在YOLOV5网络中增加CBAM注意力模块，增强网络提取图像特征的能力，对于小目标火焰能够较好地提取特征，降低小目标火焰的漏检率。将该算法在公开数据集BoWFire、Bilkent上进行实验，结果表明，改进YOLOV5网络的火焰检测平均精度更高，可达83.9%，小目标火焰漏检率更低，仅为1.6%，检测速率为34帧/s，相比于原YOLOV5网络，平均精度提升了2.4个百分点，小目标火焰漏检率降低了4.1个百分点，改进后的YOLOV5网络能够满足火焰检测的实时性和精度要求。关键词：YOLOV5算法；Transformer；CBAM注意力中图分类号：TP391.4文献标志码：ADOI:10.3969/j.issn.1006-2475.2023.01.017FlameDetectionAlgorithmBasedonImprovedYOLOV5WANGHong-yi...
