典型文献
改进YOLOv3的火灾检测
文献摘要：
针对火灾检测中小目标检测率低、复杂场景下检测精度低和检测不及时等问题,提出了一种改进YOLOv3的火灾检测算法.首先,通过改进的K-means聚类算法重新获取更符合火焰和烟雾尺寸的anchor;其次在Darknet-53后添加空间金字塔池化,提升了网络的感受野进而增强了网络对小尺度目标的检测能力;然后通过CIoU改进损失函数,在计算坐标误差时考虑中心和宽高坐标两者的相关性,加快了损失函数的收敛;最后使用mosaic数据增强丰富了待检测物体的背景.在自制的数据集上训练并测试,实验结果表明:改进后的算法比YOLOv3火焰的AP从94％提升至98％,烟雾的AP从82％提升至94％,平均检测速度从31 fps提升至43 fps,相比Faster R-CNN、SDD等算法也有更高的mAP和更快的检测速度.因此,改进后的算法能够更有效地进行火灾预警.
文献关键词：
火灾检测;YOLOv3;空间金字塔池化;CIoU;mosaic数据增强;目标检测;深度学习
中图分类号：
作者姓名：
王林;赵红
作者机构：
西安理工大学自动化与信息工程学院,西安710048
文献出处：
引用格式：
[1]王林;赵红-.改进YOLOv3的火灾检测)[J].计算机系统应用,2022(04):143-153
A类：
B类：
YOLOv3,火灾检测,小目标检测,检测率,复杂场景,检测精度,检测算法,means,聚类算法,火焰,烟雾,anchor,Darknet,空间金字塔池化,感受野,小尺度目标,检测能力,CIoU,损失函数,mosaic,数据增强,检测速度,fps,Faster,SDD,mAP,火灾预警
AB值：
0.355844
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
