目标检测技术已被广泛应用于各领域，然而火灾目标检测技术在小目标、低光照等具有挑战性的场景下通常表现不佳，且缺乏专门的公开数据集对该类技术的相应性能进行评估。该文针对YOLOv5算法细节提取能力弱、密集目标预测效果不佳等问题进行了研究。首先，制备了小目标火焰图像数据集用于模型训练和性能测试。其次，基于YOLOv5s模型引入3项改进：拓展多尺度检测层、嵌入swin transformer模块、优化后处理函数；构建了改进模型YOLOv5s-SSS(swin transformer with soft-NMS for small target)并进行参数优化。最后，对新模型进行了定性和定量评价。实验结果表明，YOLOv5s-SSS模型相对YOLOv5s模型的平均精确率在小目标火焰图像上提高了16.3%,在常规尺寸烟雾图像上提高了5.9%。该文制备的数据集可有效支撑改进火灾检测模型的训练与测试；构建的YOLOv5s-SSS模型性能测试可靠，为火灾图像检测技术提供了一种新的改进方案。
暂无评论