基于改进YOLOv5s的输电通道下的烟雾识别

来源：计算机测量与控制杂志2024年第12期北京时间：

作者：刘昶,孟琳,高阳,黄国恒,吴继薇

单位：南京工程学院 人工智能产业技术研究院

摘要：针对输电通道下出现火灾险情而难以及时发现的问题，能够在火灾初期发现形状不规则且稀薄的烟雾的产生,对于险情的控制具有重要作用。为解决此问题，提出了改进YOLOv5s网络的烟雾识别算法。该方法通过在YOLOv5s模型中引入卷积注意力模块(CBAM)，提高了对外轮廓并不明显的烟雾的特征提取能力；同时引入CARAFE特征上采样算法，扩大感知域，利用到图片中的其他信息帮助捕捉烟雾的深层特征；为捕捉到图像中目标较小的烟雾形态，利用FReLU替换原有激活函数SiLU，用二维漏斗激活函数,在引入少量计算和过拟合风险的情况下来对网络空间中的不敏感信息进行激活,进而改善视觉任务。实验结果表明，该项目改进后的检测效果相对于原始YOLOv5s网络中的查准率提高了6.8%，查全率提高了2.8%，平均精度均值提高了2.3%，检测精度提升较为明显，更有利于应用于实际情况下的烟雾检测。

关键词：输电通道;机器视觉;深度学习;注意力模块;yolov5s

基金资助：江苏省政策引导类计划项目（SZ-SQ2020007）