第49卷第8期2023年8月ComputerEngineering计算机工程基于改进YOLOv5的火焰检测方法陈露萌1，曹彦彦1，黄民1，谢鑫钢2（1.北京信息科技大学机电工程学院，北京100192；2.中国矿业大学机电与信息工程学院，北京100083）摘要：现有基于图像的火焰检测方法难以兼顾实时性和准确性，且缺乏对小火焰目标精准识别的能力，无法有效应对小火点灭火等应用场景。YOLOv5算法与传统主流算法相比在检测的实时性上有很大优势，为提升火焰检测精度，提出一种基于改进YOLOv5的火焰实时检测方法。针对YOLOv5模型进行改进：在特征提取部分嵌入协同注意力机制模块，在不损失特征信息的情况下减少特征冗余，以帮助模型更精确地定位火焰特征；在特征融合部分增加一个专门针对小火焰目标的检测层，并添加对应的特征提取及特征融合模块，以帮助模型有效获取感受野小于8×8像素的火焰特征；在损失函数的计算部分使用α-CIoU作为新的边界框损失函数，以提升模型的收敛速度和对小数据集的鲁棒性。此外，通过模型预训练和迁移学习的方法对火焰检测模型各层结构的权重参数进行初始化，防止梯度消失，提升训练效果。实验结果表明，改进后的火焰检测模型检测精度为96.6%，较YOLOv5原始模型提升7.4个百分点，并且检测速度达到68帧/s，模型大小仅15.4MB，在大幅提升精度的基础上能够同时满足消防灭火机器人对火焰检测实时性和轻量化的要求。关键词：火焰检测；注意力机制；特征融合；YOLOv5算法；边界损失函数开放科学（资源服务）标志码（OSID）：中文引用格式：陈露萌，曹彦彦，黄民，等.基于改进YOLOv5的火焰检测方法［J］.计算机工程，2023，49（8）：291-301，309.英文引用格式：CHENLM，CAOYY，HUANGM，etal.FlamedetectionmethodbasedonimprovedYOLOv5［J］.ComputerEngineering，2023，49（8）：291-301，309.FlameDetectionMethodBasedonImprovedYOLOv5CHENLumeng1，CAOYanyan1，HUANGMin1，XIEXingang2（1.SchoolofMechanicalandElectricalEngineering，BeijingInformationScienceandTechnologyUniversity，Beijing100192，China；2.SchoolofMechanicalElectronicandInformationEngineering，ChinaUniversityofMiningandTechnology，Beijing100083，China）【Abstract】Theexistingimage-basedflamedetectionapproachfindsitchallengingtobalancereal-timeandprecision，anditisincapableofaccuratelyidentifyingsmallflametargets，makingitineffectiveforapplicationsitu...
