改进YOLOX火灾场景检测方法的研究.docxVIP

? ? 改进YOLOX火灾场景检测方法的研究* ? ? 张剑飞 柯 赛 （黑龙江科技大学计算机与信息工程学院 哈尔滨 150022） 1 引言 传统的火灾检测有基于烟雾和温度的传感检测，也有通过电动阀和排气阀的数据检测。随着深度学习的发展，喻丽春［1］等使用改进的Mask R-CNN，通过自下向上的特征融合以及改进的损失函数实现对火焰的高精度检测。吴凡［2］将YOLOv3［3］的主干网络替换为Densenet121 提升网络对火焰和烟雾的特征提取能力，并引入Focal Loss。赵民［4］等提出基于CenterNet［5］算法的复杂环境目标检测技术。李欣健［6］等使用深度可分离卷积来改进火焰检测模型，并使用多种数据增强技术提高检测精度。雒朝辉［7］使用基于YOLOv4框架的无人机进行实时火焰检测。 然而上述方法的模型相对复杂，计算量大，检测目标单一，难于部署。为解决这些问题，本文提出了一种改进的T-YOLOX 检测模型，对火灾场景下的火焰、烟雾以及受灾人员进行检测。 该方法基于YOLOX［8］架构，结合轻量级注意力模块对每个通道权重做调整，从而提升网络整体的特征提取能力；添加通道混合模块，提高各通道间交流能力，抑制过拟合；将主干网络最后一层换为MobileViT［9］模块，使用这个轻量级的Transformer［10］模块来增强主干网络对全局特征的学习能力。通过实验，验证了