基于改进YOLOv5的电厂人员吸烟检测.pdfVIP

计算机测量与控制.2023.31(5)测试与故障诊断

・48・ComputerMeasurementControl

文章编号：1671-4598(2023)05-0048-08DOI：10.16526/j.cnki.11-4762/tp.2023.05.008中图分类号:TP391.41文献标识码：A

基于改进YOLOvS的电厂人员吸烟检测

壬彦唆1,曹雷虹1,区鉄葆V,海虫儒1,$阳1

(1.南京工程学院人工智能产业技术研究院，南京211167；

2.江苏省智能感知技术与装备工程研究中心，南京211167)

摘要：发电厂厂区内违规吸烟易导致火灾、爆炸等事故，会带来巨大损失；针对电厂内人员违规吸烟行为检测精度不高的问

题，提出一种基于改进YOLOv5s(YouOnlyLookOncev5s)的电厂内人员违规吸烟检测方法；该方法以YOLOv5s网络为基础，将

YOLOv5s网络C3模块Bottleneck中的3X3卷积替换为多头自注意力层以提高算法的学习能力；接着在网络中添加ECA(Efficient

ChannelAttention)注意力模块，让网络更加关注待检测目标；同时将YOLOv5s网络的损失函数替换为SIoU(ScyllaIntersectionover

Union),进一步提高算法的检测精度；最后采用加权双向特征金字塔网络(EiFPN,BidirectionalFeaturePyramidNetwork)代替原先

YOLOv5s的特征金字塔网络，快速进行多尺度特征融合；实验结果表明，改进后算法吸烟行为的检测精度为89.3%,与改进前算法

相比平均精度均值(mAP,meanAveragePrecision)提高了2.2%,检测效果显著提升，具有较高应用价值。

关键词：吸烟；目标检测；多头自注意力层；注意力模块；损失函数；加权双向特征金字塔

SmokingDetectionofPowerPlantPersonnelBasedonImprovedYOLOvS

WANGYansheng1,CAOXuehong1,JIAOLiangbao1?2,SUNHongwei1,GAOYang1

(1.AlIndustrialTechnologyResearchInstitute,NanjingInstituteofTechnology,Nanjing211167,China；

2.JiangsuintelligentperceptiontechnologyandequipmentEngineeringResearchCenter,Nanjing211167,China)

Abstract:Illegalsmokingeasilyleadstotheaccidentsoffireandexplosioninpowerplants,itwillbringhugelosstothepeople.

Aimingattheproblemthatthedetectionaccuracyofillegalsmokingbehaviorofpersonnelisnothighinthepowerplants,anillegal

smokingdetectionmethodofpersonnelisproposedonthebasisofimprovedYOLOv5sinthepowerplants.Themethodisbasedon

YOLOv5snetwork,the3X3convolutionintheC3moduleoftheYOLOv5snetworkwithaBottlenecklayeris