文献类型：期刊文章

作　　者：苏小东[1] 胡建兴[1,2] 陈霖周廷[1] 高宏建[1]

SU Xiaodong;HU Jianxing;CHEN Linzhouting;GAO Hongjian(Guizhou Institute of Technology School of aerospace engineering,Guiyang 550003,China;China Aviation Industry Corp Guizhou Aircraft Co.,Ltd.,Anshun 561000,China)

机构地区：[1]贵州理工学院航空航天工程学院,贵阳550003 [2]中航贵州飞机有限责任公司,贵州安顺561000

出　　处：《计算机测量与控制》

基　　金：国家自然科学基金地区基金项目(61763005);贵州省科技计划项目(黔科合基础[2017]1069);贵州省教育厅创新群体重大研究项目(黔教合KY字[2018]026);贵州省普通高等学校工程研究中心(黔教合KY字[2018]007);贵州省普通高等学校军民融合人才培养基地(黔科合基础[2020]011);贵州省教育厅普通本科高校青年人才成长项目(黔教合KY字[2022]349);贵州省基金基础研究计划项目(黔科合基础-ZK[2022]172)。

年　　份：2023

卷　　号：31

期　　号：5

起止页码：41-47

语　　种：中文

收录情况：JST、ZGKJHX、普通刊

摘　　要：为了解决现有火灾检测算法模型复杂,实时性差,难以部署在无人机平台的问题,通过改进YOLOv5s算法对无人机火灾图像目标检测进行分析研究;利用搭载高清摄像头的无人机设备获取的火灾图像、公开数据集、互联网航拍视频自主建立无人机火灾图像数据集;采用轻量化模型YOLOv5s为基础模型,MobileNetV3作为特征提取主干网络,降低模型参数和计算量,解决实时性差和模型部署的问题;模型颈部引入注意力模块CBAM,综合了通道和空间信息,加强网络对高层次语义信息的传递;修改模型检测头部结构,增强小目标检测能力;通过消融试验对比分析各个模块对模型的影响,与常见火灾模型进行对比分析,分析本文算法的优劣;算法在自建数据上的平均精度达到76.9%,模型大小为6.7 M,单帧(640×640)图像处理时间为15.2 ms;实验结果表明,本文算法模型简单、实时性好,为火灾检测算法部署在无人机平台奠定技术基础。

关 键 词：YOLOv5s  航拍火灾图像  MobileNetV3  小目标检测 注意力机制  

分 类 号：TP391.4]