基于轻量化特征收发网络的火灾检测方法OA
针对火灾图像检测中特征易丢失的问题,提出一种基于轻量化特征收发网络的火灾检测方法。首先利用收集分发机制建立轻量化特征收发网络(Lightweight Gather and Distribute Network,LGDNet),增强特征融合能力,减小特征信息丢失,提高检测性能;其次使用幻影卷积构建幻影沙漏特征块(Ghost HourGlass Block,GhostHGBlock),并引入多尺度卷积注意力(Multi-Scale Convolutional Attention,MSCA)机制,建立轻量级的多尺度沙漏网络(Multi-Scale HourGlass Network,MS-HGNet)提取火灾特征;最后改进形状交并比(Shape Intersection over Union,Shape-IoU)损失函数,减小边界框对回归精度的影响,提高检测精度。所建立的多尺度轻量化特征收发网络(Multi-Scale Lightweight Gather and Distribute Network,MS-LGDNet)模型在自建数据集和公开数据集上进行对比实验与消融实验,与基准模型YOLOv8(You Only Look Once v8)相比,在参数量仅增加1.2×10^(6)的情况下均值平均精度提升了3.24%,并达到实时检测性能。实验结果表明,该方法有效增强了特征提取能力,提高了火灾检测模型的性能。
叶翔;严云洋;朱妍;王盘龙;董可
淮安大学计算机与软件工程学院,江苏淮安223003淮安大学计算机与软件工程学院,江苏淮安223003淮安大学计算机与软件工程学院,江苏淮安223003淮安大学计算机与软件工程学院,江苏淮安223003淮安大学计算机与软件工程学院,江苏淮安223003
信息技术与安全科学
火灾检测特征收发网络形状交并比多尺度卷积注意力
《常州大学学报(自然科学版)》 2026 (5)
P.44-54,11
国家自然科学基金资助项目(62076107)江苏省“六大人才高峰”资助项目(2013DZXX-023)。
评论