典型文献
基于YOLOv5s的社交媒体平台火灾图像检测方法研究
文献摘要：
在城市火灾发生时,社交媒体平台上的火灾现场照片对于火灾应急响应人员和决策者来说具有非常高的价值,可使决策者的决策制定更加高效,分配救援资源更加合理.然而,因社交媒体平台上图片数量巨大且伴随着大量与火灾现场不相关的火焰图片,所以需要采用一种方法对不相关图片进行筛选,且要保证速度与精确度.为此,文中提出了一种基于YOLOv5s网络构建对社交媒体平台图片实时筛选分类的方法,首先,通过对社交媒体平台上的火灾图像进行爬取,并对爬取到的3 000张火灾图像数据集进行标注并构建数据集;然后,使用四种不同深度与宽度的YOLOv5s网络模型进行训练和测试;最后,对四种模型进行了比较和分析.实验结果表明,使用YOLOv5s模型训练效果整体优于其他三种模型,通过数据集测试网络模型能达到98.9％的精确率和92.1％的召回率以及96.9％的平均精度,检测每张图片的时间为0.009 s,很好地满足了实时筛选分类的要求.
文献关键词：
YOLOv5s;深度学习;机器视觉检测技术;YOLO
中图分类号：
作者姓名：
杨文阳;吴叶森;张峰;李湘眷
作者机构：
西安石油大学,陕西西安 710065
文献出处：
引用格式：
[1]杨文阳;吴叶森;张峰;李湘眷-.基于YOLOv5s的社交媒体平台火灾图像检测方法研究)[J].中国电子科学研究院学报,2022(09):833-841
A类：
B类：
YOLOv5s,社交媒体平台,图像检测,城市火灾,火灾现场,火灾应急响应,决策者,决策制定,上图,不相关,火焰,相关图,网络构建,爬取,取到,图像数据集,不同深度,模型训练,训练效果,精确率,召回率,每张,机器视觉检测技术
AB值：
0.298261
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。
