融合注意力機制的YOLOv5火災煙霧檢測

李志華　王連賀　王超　劉春雷　張元彪

關鍵詞：目標檢測;煙霧檢測；YOLOv5；注意力機制；ACON激活函數

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2023）08-0001-04

0 引言

由于采用傳統的煙霧報警或檢測手段的煙霧探測器裝置只能在靠近排放源的地方識別煙霧的存在，并且受各種天氣環境影響，其感受到的溫度、濕度及顆粒密度都會影響檢測效果[1]。由于設備的探測范圍的局限性，一些戶外場所的地理屬性導致無法大范圍鋪設傳統的探測設備，它們缺乏檢測局部煙霧的能力。

2018年，Yanmin Luo等人[2]在文獻中提出一種基于背景動態更新和暗通道先驗的運動目標檢測算法，檢測疑似煙霧區域。然后，通過CNN自動提取疑似區域的特征，進行煙霧識別。但該模型算法泛化程度較差，對于煙霧特性分析不足，且運算過程中容易造成特征丟失。2020年，Sergio Saponara等人[3]提出了一種利用YOLOv2卷積神經網絡（CNN）在防火系統中進行實時視頻火災和煙霧檢測的方法，并采用輕量級神經網絡架構設計，以兼顧嵌入式平臺的需求，但模型滿足輕量化設計的同時并沒有很好的兼顧精準度。

目前，基于深度學習的火焰煙霧的檢測與識別普遍存在著精度不足，提取特征丟失，檢測效率過慢，成本過高或者模型泛化程度不夠等問題。在工業化程度大幅增長，生活場景復雜和監控來源較多的時代背景下，為解決上述問題，本文提出了一種基于YOLOv5的融合注意力機制（CBAM）的煙火檢測算法，滿足安全生產，精準防控的目的。

1 算法原理

1.1 YOLOv5結構