基于轻量化的神经网络火焰检测算法研究

来源：计算机技术与发展杂志2024年第11期北京时间：

作者：陈义鑫;王婷*;杨万扣

摘要：为了改善复杂背景情况下火焰检测算法检测效果较差、对小目标不敏感和计算量过大等缺陷,该文设计出一种轻量化的目标检测算法冥冥GS-YOLOv5s。 研究将鬼影混洗卷积瓶颈模块(GS bottleneck)应用于特征提取网络,提出跨阶段特征提取网络冥冥GS-C2,通过对局部区域进行特征分流,使模型能够更专注地学习目标周围的局部特征,从而提高复杂背景下的目标检测精度;然后在模型的颈部网络中使用轻量化卷积 GSConv,在实现模型轻量化的同时提高检测精度;最后通过融入选择性注意力 LSK 模块扩大感受野,更好地捕捉到全局上下文信息,提供更全面的场景理解,使网络更好地理解和响应小目标。 数据集测试结果表明,与 YOLOv5s 基准模型相比,该算法结构整体参数量和浮点运算量分别减少了约 20% 和 21% ,同时 mAP0. 5相较于 YOLOv5s 提高了 4. 6 百分点。 实验结果表明,GS-YOLOv5s 既提高了检测精度,又满足了轻量化以及实时检测的需求,极大提高了火焰检测算法的实用性。

关键词：目标检测;GSConv;跨阶段局部网络;注意力机制;SK模块