鉴于传统消防报警系统在火灾环境下难以有效区分烟雾与火焰,导致响应延迟或误报的问题,提出了一种火灾图像识别方法。该方法基于深度迁移学习技术并对You Only Look Once v8(YOLOv8)网络模型进行了优化。具体而言,在模型中引入了瓶颈注...
详细信息
鉴于传统消防报警系统在火灾环境下难以有效区分烟雾与火焰,导致响应延迟或误报的问题,提出了一种火灾图像识别方法。该方法基于深度迁移学习技术并对You Only Look Once v8(YOLOv8)网络模型进行了优化。具体而言,在模型中引入了瓶颈注意力模块(bottleneck attention module,BAM)以增强特征提取网络的性能,显著提升模型对火灾特征(如烟雾与火焰)的敏感度和区分能力。同时为了克服内部协变量偏移的问题,应用了批量通道归一化(batch channel normalization,BCN)技术于每一层数据输出阶段,有效降低了因线性变换及激活函数作用导致数据范围扩大的影响。在广泛使用的D-Fire火灾数据集上进行的一系列严格实验表明,优化后的模型展现出卓越的性能。相较于原始YOLOv8模型,改进后的版本在精确性、全面捕获火灾事件的能力(召回率)以及综合评估指标(F1得分)上均实现了显著提升。
暂无评论