一种轻量化网络的火焰烟雾检测算法

针对算力有限的移动和嵌入式平台,提出了一种基于深度学习的轻量化火焰烟雾检测算法.利用数据增强来解决数据量较少的问题,使用one-stage目标检测方法中的YOLOv4作为火焰烟雾检测的模型框架,采用轻量化神经网络MobileNetV3替换YOLOv4的原主干特征提取网络,减少了模型参数量;再采用深度可分离卷积替换掉YO...     

基于YOLOv8的火灾烟雾检测算法研究

早期火灾预警为人类的生命财产安全提供有效保障，为了提高算法在复杂场景中对小火焰和烟雾的检测性能，对v8版本的YOLO算法进行改进，设计了一种轻量型的Fire-YOLOv8火灾检测网络。该网络在YOLOv8的基础上增加一个更小的目标检测层，并使用Focus层对输入图像进行切片操作，解决微小火焰检测的难题。在网络优化中，特征提取选用轻量级的BottleneckCSP模块，使用样本数据集进行迁移学习，更新网络参数，能够有效区分火焰、烟雾等干扰信息。实验结果表明：预训练生成的Fire-YOLOv8n火灾检测模型的精确率达到97.1%,mAP@0.5达到95.7%,检测速度达到192 FPS,模型大小仅为8.4 MB,综合性能得到明显提升，可以很好地满足嵌入式设备实时检测的应用需求。     

一种基于颜色模型的火灾识别系统

相比较传统以温度、烟雾等传感器为主的火灾检测方法,通过对火焰的成像特征进行分析,采用视频检测火灾.针对可见光下的火焰特征,基于计算机视觉技术,设计并实现了一种基于颜色模型的火灾识别系统.本系统以火灾检测算法为核心,设计并实现了简洁、易用的可视化的界面,将多种图像处理算法融入其中,并通过实验数据测试表明该系统的火灾识别平...     

一种改进yolox_s的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高等问题,在YOLOX框架下提出改进YOLOX＿S目标检测算法。首先在数据集建立方面,采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片。并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性。其次对backbone部分采用swin-T骨干网络来代替原来的CSPDarkNet骨干网络,能够更好的捕捉不同尺度下的特征,有效地提升了目标检测的精度。然后对网络模型引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN)特征融合网络,提高检测的效率和网络模型的适应性,在复杂背景下同样可以保持较高的检测精度。最后引入CA注意力机制来加强此算法的特征提取能力。经过对比实验表明,改进后的YOLOX＿S的火焰烟雾检测算法具有较高准确性,其mAP@0.5(预测框与真实框重合程度的阈值为0.5时的平均检测精度)达到81.5%,相比原网络提高了5.3%。改进后的YOLOX＿S网络模型在火焰烟雾检测方面具有更高准确性和更低的误报率。     

基于YOLOv4的轻量级火焰检测算法

为改善现有火焰检测算法参数量大、训练时间长等缺点,本研究提出基于YOLOv4改进的轻量级火焰检测算法。算法以YOLOv4为基本框架,采用MobileNet v3作为主干网络,利用深度可分离卷积替代YOLOv4中颈部网络和检测网络的3×3普通卷积,并将激活函数更换为H-swish函数,构建出一种轻量级火焰检测算法。不仅参数大幅度减少,而且能提升火焰检测精确度,降低火焰漏报率。实验证明,在相同的训练条件下,本研究提出的算法参数量个数降为YOLOv4的18%,训练时间减少44%。当检测相同火焰图像时,与MobileNet v3-DW-YOLOv4算法相比,本研究算法的精确度提升1%,检测速度为每秒46帧,能更好地嵌入到终端设备上进行实时检测。     

基于YOLOv3模型的实时行人检测改进算法

针对当前行人检测方法实时性和精度不能同时兼顾的问题,提出基于YOLOv3改进的实时行人检测算法。本算法对YOLOv3模型进行改进,融入标签平滑,增加多个尺度检测,并采用k-means算法得到模型中的anchors值,实现自动学习行人特征。通过在Caltech数据集上测试结果表明,改进后的YOLOv3行人检测算法mAP(mean Average Precision)达到了91.68%。在分辨率1 920×1 080的视频下,运行速度超过每秒40帧,满足实时行人检测的需求。在Daimler、INRIA行人检测数据集测试结果表明,该改进模型同样具有良好的性能,从而验证该模型具有良好的鲁棒性和泛化能力。     

基于满意优化的电动汽车充电站选址

充电站选址是当前电动汽车推广中面临的首要问题.基于满意优化理论,提出了电动汽车用户满意度评价函数;通过引入充电站等级概念,以平均电动汽车用户满意度最大为目标函数,建立了多等级电动汽车充电站选址的混合整数规划模型,并提出了基于免疫算法的模型求解算法.测试结果表明,该模型可以有效地确定充电站的位置、等级及服务区域,并且其求解算法是快速、有效的.     

基于CXANet-YOLO的火焰检测方法

快速准确的火焰检测对于降低火灾危害具有重要意义，为了加强模型的火焰特征提取能力以及解决特征图尺寸不平衡的问题，利用XSepConv (Extremely Separated Convolution)、大卷积核、Mish激活函数等构建CXANet-block(ConvolutionExtremelyAttentionNetwork)作为YOLOv5的骨干网络，引入CBAM (ConvolutionBlockAttention Module)注意力机制，提出一种基于CXANet-YOLO的火焰检测方法，通过增加通道注意力和空间注意力来提高检测性能.在自建火焰数据集上进行训练，提升模型的鲁棒性和泛化能力.实验结果表明，CXANet-YOLO模型比基准模型YOLOv5在火焰检测上具有更高的检测精度和检测速度，准确率提高了8.2%，检测速度每秒提升25帧.     

嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法

为解决现有火灾检测算法无法同时满足高检测率、低误报率以及高实时性的检测需求的问题,提出了一种基于卷积神经网络的改进YOLOv3目标检测算法,通过深度卷积神经网络自动提取火焰特征对全图进行多尺度特征图预测.首先,针对网络公开火灾数据集数量较少、场景种类受限、火焰尺度单一等问题,自建了一个包含13 573张火灾图片的火灾数据集用于对模型进行训练和测试,其中训练集图片10 014张,测试集图片3 559张.接着,为了提升网络对于多尺度目标(尤其是小尺度目标)火焰的特征提取效果,通过在原YOLOv3的特征提取网络Darknet-53中嵌入空洞卷积模块以充分利用上下文信息,扩增感受野的同时保证不丢失特征图的分辨率.此外,在特征提取网络中加入DenseNet密集型连接网络结构单元,以增强特征复用,同时缓解深度卷积神经网络在特征传播过程中的梯度消失问题.该改进的特征提取网络相比原网络层数进一步加深,网络参数量显著减少.结合火灾检测任务需求实际,简化了损失函数,加快了网络的收敛速度.实验结果表明:该算法检测速度快,检测精度高,不仅能够实时检测大尺度火焰,对于火灾发生初期的小尺度火焰也同样检测灵敏,其检测速度可达26.0帧/s,精确率可达97%,且在多种复杂光照环境下均能良好地抑制误报.     

利用图像频度特征的稀薄烟雾检测算法

基于图像的频度特征,不考虑薄烟自身的颜色,通过比较烟不存在时的图像(基准图)和实时视频当前帧的灰度值的相关系数的变化,以及基准图和当前帧频度值的相关系数的变化,实现稀薄烟雾"透明性"特征的有效识别.把非常稀薄的烟雾实时的检测出来.实际烟雾视频数据分析结果表明:该算法是实用有效的,能够在火灾初期阶段把薄烟检测出来,且具有鲁棒性.     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.     

改进的YOLOv3交通标志识别算法

针对复杂场景下交通标志检测存在精度低、检测速度慢等问题,提出一种基于YOLOv3改进的S-YOLO交通标志算法。首先,合并批归一化层到卷积层,以提升模型前向推理速度;其次,采用二分K-means聚类算法,确定适合交通标志的先验框;然后引入空间金字塔池化模块,提取特征图深度特征;最后引入CIoU回归损失函数,提升模型检测精度。实验结果表明,在重制的CTSDB交通标志数据集下,所提算法与YOLOv3相比,平均准确率和检测速度分别提升了4.26%和15.19%,同时相较YOLOv4以及其他算法对交通标志识别有更优的精度和速度,具有良好的鲁棒性,满足复杂场景高效实时检测。     

基于改进YOLOv5算法的钢铁表面缺陷检测

根据以往钢铁表面缺陷检测技术的检测效能较低、准确性低的情况,提出一种改进YOLOv5s的钢材表面缺陷检测算法。主要改进为：加入坐标注意力机制(Coordinate Attention,CA)的空洞空间卷积池化金字塔 (Atrous Spatial Pyramid Pooling,ASPP),扩大模型感受野和多尺度感知能力的同时能更好的获取特征位置信息;加入改进的选择性内核注意力机制(Selective Kernel Attention,SK),使模型能更好的利用特征图中的频率信息,提升模型的表达能力;将损失函数替换为SIoU,提升模型性能的同时加快模型的收敛。实验数据表明,改进的YOLOv5s网络模型在NEU-DET数据集上的mAP值为78.13%,相比原网络模型提高了2.85%。改进的模型具有良好的检测型性能的同时检测速度为103.9 FPS,能够满足实际应用场景中钢材表面缺陷实时检测的需求。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于改进YOLOv5和视频图像的车型识别

为了提高车型识别的精度和检测速度,本文提出了改进YOLOv5的车型识别算法。首先利用高速公路收费的监控视频数据扩充BIT-Vehicle车型数据集,同时针对数据集中各车型图片数量不均衡现象利用图像翻转、添加高斯噪声、色彩变化等图像处理技术对各车型数量进行均衡化,构建BIT-Vehicle-Extend数据集;其次,添加RFB (Receptive Field Block)模块用于增加网络感受野,有助于模型捕捉全局特征;第三,将无参数的SimAM注意力机制添加Bottleneck中,在不增加参数的情况下,提高网络的特征提取能力。最后,实验结果表明,相比于原始网络模型,本文所提出的YOLOv5优化算法,mAP0.5和mAP0.5：0.95 达到98.7%和96.3%,分别提高了0.7%和1.5%。在检测速度方面,达到90 frames/s,与原网络相比检测速度基本不变。因此,本文所提出的YOLOv5优化算法,能够高精度的实时检测车型信息,满足车型识别检测需要。     

基于ADMM的分布式有序充电调度算法

随着电动汽车数量不断增加,大量电动汽车的无序充电行为会导致电网过载和电池寿命损耗。虽然当前已有很多研究关注电动汽车的有序充电行为,但如何在大规模有序充电过程中实现最大化车主便捷性同时减少电池寿命损耗尚未被研究。研究关注充电便捷性和减少电池损坏的充电服务调度优化对充电站充电服务质量和用户满意度提升具有重要意义。笔者提出一个实时充电服务调度策略来协调大量电动汽车的充电行为,以实现最大化车主便捷性同时降低电池损耗。为减少充电过程中信息直接交换造成隐私泄露,同时降低算法计算复杂度,基于交替方向多乘子(ADMM,alternating direction method of multipliers)的分布式算法被提出。大量实验表明所提算法比已有算法有显著提升,能减少33.0%的电池寿命损耗和18.3%的电费支出。     

实时需求下的带时间窗移动充电车在线调度算法

在双碳背景下,移动充电车作为新型充电设施,能够缓解电动车保有量迅速增长带来的充电压力。然而成本高、效益低等问题阻碍了移动充电车的进一步发展。本文针对移动充电车只有在用户发出充电请求时,才能获知充电需求信息的特点,且需求带有时间窗要求的情形,提出实时需求下的带时间窗移动充电车调度问题,以总时间成本最小为目标,采用在线理论与方法,建立优化模型并设计在线算法;给出了不同情形下的调度方案,计算方案的竞争比,并进行对比分析;最后通过数值算例验证了在线算法的可行性和有效性。研究结果表明,用户发出的实时充电需求数量越大、最大单位惩罚时间成本系数越小,在线算法的执行效果越好。本文的模型和在线调度算法可以有效解决实时需求下的带时间窗移动充电车调度优化问题,提高移动充电车的充电效率,平衡充电供需。     

基于K210的火点检测与喷头定向控制

无人机在执行灭火任务时,喷头喷射方向固定且无法自动寻找火点方向,通过人工操纵手柄控制无人机高度及俯仰角来尝试不断调整其喷射方向,以保证灭火剂喷射在火焰上实现有效灭火。针对依靠人工进行火点检测与定向喷射这一过程效率低和准确率不高等问题,提出一种可以在低成本、低功耗硬件中实现实时目标检测,进而控制喷头定向火点的方法。该方法将训练好的YOLOv2-Tiny目标检测模型部署到可移动平台K210上,内部的卷积神经网络硬件加速器快速检测视频中是否存在火点并输出目标的位置信息,根据位置信息使用PID控制算法调节二维旋转喷头定向火点。本文使用监控摄像头拍摄及网上下载等方式构造的数据集对模型进行训练,训练后模型的检测精确率达到94.60%,将模型下载至K210开发板上能达到每秒14帧的速度,检测精度达到96.5%,落点位置平均误差为3.7 cm,具有很高的实用价值。     

改进YOLOv3算法的车辆信息检测

车辆信息检测是车型识别在智慧交通领域中的首要任务。针对现有的车辆信息检测技术在检测速度、精度以及稳定性方面存在的问题,提出了基于YOLOv3的深度学习目标检测算法——YOLOv3-fass。该算法以DarkNet-53网络结构为基础,删减了部分残差结构,降低了卷积层的通道数,添加了1条下采样支路和3个尺度跳连结构,增加了一个检测尺度,并通过K-均值聚类与手动调节相结合的方法计算出12组锚框值。最后通过迁移学习机制对YOLOv3-fass算法进行微调。在自研的车辆数据集上,YOLOv3-fass算法与YOLOv3、YOLOv3-tiny、YOLOv3-spp算法以及具有ResNet50和DenseNet201经典网络结构的算法做了对比实验,结果表明YOLOv3-fass算法能够更精准、高效、稳定地检测到车辆信息。     

复杂交通环境下二轮机动车乘员头盔检测算法

针对现有二轮机动车乘员头盔检测算法在目标密集分布、随机遮挡等情况下效果较差且难以在边缘设备上应用的问题,制作了具有针对性的数据集,对比现有模型后,以YOLOv7为参考提出一种复杂交通环境下二轮机动车乘员头盔检测算法.首先,采用EfficientNet-B3作为主干网络,可提高特征提取能力且更为轻量化;其次,将增大感受野模块(RFB)引入特征融合结构中,以增大模型感受野,提升小目标头盔检测能力;最后,在检测头嵌入SimAM机制,在不增加参数的前提下提高算法精度.结果表明：相较于YOLOv7,文中算法的准确率、召回率和平均准确率分别提高了2.84%,2.26%和3.26%,参数量和运算量分别为YOLOv7的33.1%,23.5%,可实现当前主流模型算法的最佳检测性能和效率;在NVIDIA Jetson Nano开发板上的处理速度达到47.58 F·s^-1,可满足边缘设备部署需求.