一种基于YOLOv5的自注意力机制的烟火检测方法技术

本发明专利技术提供一种基于YOLOv5的自注意力机制的烟火检测方法，属于计算机视觉和深度学习领域，本发明专利技术利用计算机视觉技术和深度学习算法，在视频流中准确检测出烟火。首先，在YOLOv5m的主干网络的最后一个C3模块引入了CBAM注意力机制，增强了模型对烟火特征的捕捉能力，提高了烟火检测的准确性和可靠性；其次，用SIOU损失函数替换GIOU损失函数，可以实现更快地收敛，生成边界框并预测类别。最后，采用K折交叉验证的方式来避免过拟合，本方法尝试将主干网络替换为Resnet网络并在自制烟火数据集上进行对比实验，结果表明，改进后的精度提升，表现更优。

【技术实现步骤摘要】

本专利技术涉及计算机视觉和深度学习领域，尤其涉及一种基于yolov5的自注意力机制的烟火检测方法。

技术介绍

1、火灾是威胁公共安全、危害人民生命财产的多发性危害，能否快速、有效地发现火情对于维护日常生活、生产秩序具有重大的意义。现有的深度学习目标图像检测算法主要是依靠多层堆叠层用以实现对图像特征的抽取，直接使用yolov5检测烟火图像进行实验，由于烟和火的区域并不规整且火灾事故发生的环境较为复杂，该算法存在漏检现象，检测效果的鲁棒性不强。针对烟火数据集较少的问题，本方法采用k折交叉验证的方法将数据集进行划分；烟火在节日庆典和活动中扮演着重要的角色，然而烟火也带来了一定的安全隐患，尤其是在城市密集区域。为了保障公众的安全和预防火灾事故，烟火的监测和控制显得尤为重要。近年来，烟火检测中的k折交叉验证被广泛应用于检测任务中，以提高烟火监测的准确性和效率。

2、目前，yolov5采用的是giou损失函数，但是当预测框和真实框完全重合的时候(预测框在真实框内部)，iou损失和giou的损失值都一样，最终还是无法区分预测框和真实框的位置关系，同时也导致边本文档来自技高网...

【技术保护点】

1.一种基于YOLOv5的自注意力机制的烟火检测方法，其特征在于，

2.根据权利要求1所述的算法，其特征在于，

3.根据权利要求2所述的方法，其特征在于，

4.根据权利要求3所述的方法，其特征在于，

5.根据权利要求4所述的方法，其特征在于，

6.根据权利要求2所述的方法，其特征在于，

7.根据权利要求6所述的方法，其特征在于，

8.根据权利要求6所述的方法，其特征在于，

【技术特征摘要】

1.一种基于yolov5的自注意力机制的烟火检测方法，其特征在于，

2.根据权利要求1所述的算法，其特征在于，

3.根据权利要求2所述的方法，其特征在于，

4.根据权利要求3所述的方法，其特征在...

【专利技术属性】
技术研发人员：赵景娇，
申请(专利权)人：浪潮软件集团有限公司，
类型：发明
国别省市：