一种改进YOLOX_S的火焰烟雾检测算法.pdfVIP

2024年第24卷第8期科学技术与工程ISSN1671—1815

2024,24(8):03298-10ScienceTechnologyandEngineeringCN11—4688/T

DOI:10.12404/j.issn.1671-1815.2302690

引用格式:谢康康,朱文忠,肖顺兴,等.一种改进YOLOX_S的火焰烟雾检测算法[J].科学技术与工程,2024,24(8):3298-3307.

XieKangkang,ZhuWenzhong,XiaoShunxing,etal.FlamesmokedetectionalgorithmbasedonimprovedYOLOX_S[J].ScienceTechnolo-

gyandEngineering,2024,24(8):3298-3307.

一种改进YOLOX_S的火焰烟雾检测算法

∗

谢康康,朱文忠,肖顺兴,谢林森

(四川轻化工大学计算机科学与工程学院,宜宾644000)

摘要针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高等问题,在YOLOX框架下提出改进YOLOX_S目标

检测算法。首先在数据集建立方面,采用的数据集包括BilkentUniversity公开的数据集和部分自建数据集,共计9621张图

片。并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性。其次对backbone部分采用swin-T骨干网络来代替

原来的CSPDarkNet骨干网络,能够更好的捕捉不同尺度下的特征,有效地提升了目标检测的精度。然后对网络模型引入加权

双向特征金字塔网络(bidirectionalfeaturepyramidnetwork,BiFPN)特征融合网络,提高检测的效率和网络模型的适应性,在复

杂背景下同样可以保持较高的检测精度。最后引入CA注意力机制来加强此算法的特征提取能力。经过对比实验表明,改进

后的YOLOX_S的火焰烟雾检测算法具有较高准确性,其mAP@0.5(预测框与真实框重合程度的阈值为0.5时的平均检测精

度)达到81.5%,相比原网络提高了5.3%。改进后的YOLOX_S网络模型在火焰烟雾检测方面具有更高准确性和更低的误

报率。

关键词YOLOX;swintransformer;加权双向特征金字塔网络(BiFPN);火焰烟雾检测;注意力机制

中图法分类号TP391.41;文献标志码A

FlameSmokeDetectionAlgorithmBasedonImprovedYOLOX_S

∗

XIEKang-kang,ZHUWen-zhong,XIAOShun-xing,XIELin-sen

(SchoolofComputerScienceEngineering,SichuanUniversityofScienceEngineering,Yibin644000,China)

[Abstract]Inresponsetothecurrentissuesofpoorflameandsmokedetectionperformanceandhighfalsealarmratesinfire

warning,animprovedfireandsmokedetectionalgorithmwasproposedbasedontheYOLOXframework.Inthedatacollectionphase,

theuseddatasetconsistsof9621images,includ