基于改进YOLOv5的电厂人员吸烟检测

来源：计算机测量与控制杂志2023年第5期北京时间：

作者：王彦生,曹雪虹,焦良葆,孙宏伟,高阳

单位：南京工程学院 人工智能产业技术研究院

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（You Only Look Once v5s）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3×3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 Channel Attention）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（Scylla Intersection over 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（BiFPN，Bidirectional Feature Pyramid Network）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，mean Average Precision）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

基金资助：江苏省自然科学基金资助项目(BK20201042)；江苏省政策引导类计划项目(SZ2020007)