目标检测论文解读复现之四：改进YOLOv5算法在停车场火灾检测中的应用

目标检测论文解读复现

---

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

---

一、摘要

针对传统传感器对于地下停车场火灾检测不及时、目标检测对小型火焰目标检测效果较差等问题,提出了一种改进的YOLOv5火灾检测算法。为了提高检测算法对小型火焰目标的检测效果,在YOLOv5s网络骨干中增加小目标检测层;为了增强火焰特征的表达,提出了一种基于CA注意力机制的间隔注意力结构;为了提升定位精度、降低目标漏检率,将GIoU替换为CIoU。 设计了3组消融实验以及1组对比实验用来验证所提算法的有效性。实验结果表明,所提算法在自定义数据集上的mAP0.5、召回率R分别为 92%、96.9%。与YOLOv5s模型相比,所提算法在自定义火焰数据集上的mAP0.5提升了1.8百分点,R提升了2.0百分点。所提算法权重大小仅为16.4 MB,帧率能达到113帧/s,具有较小的模型体积以及较快的检测速度,且针对小型火焰目标能够准确检出,有效提升了地下停车场火灾防范能力。

二、网络模型及核心创新点

1.YOLOv5s网络骨干中增加小目标检测层;
2.提出一种基于CA注意力机制的间隔注意力结构;
3.将GIoU替换为CIoU。

三、应用数据集

当前并没有公开的地下停车场火灾的数据集,本文选择自定义数据集。其中图像来自于包括CVPR实验室采集的KMU Fire and Smoke database火焰图像[12]、停车场监控模拟火灾视频、室内火焰模拟视频以及网络视频等。

四、实验效果

实验表明,本文算法在地下停车场火焰目标检测任务上可达到mAP0.5为92.0%的检测精度。相较于未改进前的YOLOv5s算法,本文算法的mAP0.5有1.8百分点的提升,R有2.0百分点的提升,虽然牺牲了一部分的检测速度,但是得到了具有更好检测精度的模型。相较于YOLOv5m算法,虽然两种算法在精度上相当,但是本文算法具有较高的召回率R以及较高的帧率,具有较快的检测速度,且本文算法权重仅为16.4 MB,远远小于YOLOv5m的41.5 MB,对检测设备的配置要求低。

五、实验结论

实验表明,本文算法对火焰目标较小的情况也能够正确检出,具有较高的精确率和召回率、较小的,模型体积,易于部署,基本能够满足地下停车场对火灾实时检测的要求。

六、投稿期刊介绍

---

注：论文原文出自张震（1）, 晋志华（1）, 陈可鑫（2）.(1.郑州大学 电气与信息工程学院,河南 郑州 450001;2.郑州大学 计算机与人工智能学院,河南 郑州 450001）

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。