馬世森 劉國巍

摘要：針對傳統(tǒng)火災系統(tǒng)預警不及時、容易誤報等問題，文章提出了一種基于改進YOLOv5的火災檢測算法。為了增強網(wǎng)絡(luò)對火焰的方向和位置信息的敏感度，在模型中引入CA（ Coordinate Attention）注意力機制：為了提高回歸精度和收斂速度，使用損失函數(shù)SIOU替換CIOU。改進的YOLOv5算法的精確率和平均精度達到了74. 2%和69.4%．相較于標準算法的精確率和平均精度提高了8.8%和2.8%．優(yōu)化定位框和誤檢情況。實驗結(jié)果表明，改進的YOLOv5算法模型提高了火災檢測的準確性和實時性。

關(guān)鍵詞：預警：火災檢測：YOLOv5：注意力機制：損失函數(shù)SIOU

中圖分類號： TP391.4 文獻標志碼：A

0 引言

火如水一樣，能為生活提供便利，也能讓人們蒙受巨大的損失甚至付出生命。傳統(tǒng)的火災預警檢測系統(tǒng)是利用溫濕度和煙霧感應(yīng)器檢測周圍環(huán)境中的溫度、濕度、煙霧氣體密度等變化，從而做出判斷[1]，存在著預警不及時、準確度低、容易誤報的問題。

近年來，深度學習在檢測、識別等領(lǐng)域迎來了空前繁榮[2]。深度學習的火災檢測技術(shù)檢測速度快、精度高、不受環(huán)境影響限制、成本低。針對傳統(tǒng)的火災檢測模型所存在的不足，本文基于靈活度高的YOLOv5算法模型進行改進。為了增強網(wǎng)絡(luò)對火焰特征的方向和位置等參數(shù)信息的敏感度，在模型中引入了CA（ Coordinace Attention）注意力機制：為了提升回歸定位精度和收斂速度使用損失函數(shù)SIOU替換CIOU。做好消融實驗繪制數(shù)據(jù)表，并通過對比其它算法證明改進算法對火災預警具有的意義。

1

YOLOv5目標檢測算法原理

YOLO系列發(fā)展到Y(jié)OLOv5以來一直在更新[3]．本文改進的是YOLOv5 6.0版本。主要由圖像輸入端、主干網(wǎng)絡(luò)（ Backbone）、頸部（Neck）和輸出端4部分組成。根據(jù)寬、深度的不同，主要提供s，m，l，x4個模型。本文選用速度快精度較好的YOLOv5s為基準模型，其輸入端使用聚類算法采用白適應(yīng)錨框功能得到最佳錨框值，對數(shù)據(jù)集進行預處理得到豐富數(shù)據(jù)集：主干網(wǎng)絡(luò)將之前版本Focus替換成卷積層Conv．使用C3 - Darknec模塊解決出現(xiàn)的梯度信息重復問題，使模型輕量化，并且在骨干網(wǎng)絡(luò)末端加入SPPF模塊：頸部網(wǎng)絡(luò)采用特征金字塔和白上而下的路徑聚集網(wǎng)絡(luò)結(jié)構(gòu)相結(jié)合的方式：輸出端對頸部輸出的特征圖通過損失函數(shù)CIOU和經(jīng)典非極大值抑制來實現(xiàn)對不同大小目標的預測。

2 YOLOv5s算法改進

2.1 CA注意力機制

為了使算法模型增強網(wǎng)絡(luò)對特征的方向和位置等信息的敏感度，在主干網(wǎng)絡(luò)結(jié)構(gòu)中引用了一種將位置信息嵌入到通道的CA注意力機制[4]。通過精確的位置信息編碼，對特征圖的寬度和高度兩個位置全局平均池化，給定輸入值后使用尺寸為（H，1）或（1，W）的pooling kernel分別沿著水平和垂直坐標對每個通道進行編碼。表示寬度為w的第c通道的輸出函數(shù)和高度為h的第c通道的輸出函數(shù)如式（1）和式（2）所示。

將上述池化后的特征圖進行w維度上的拼接操作，經(jīng)過一個卷積和非線性激活函數(shù)的操作在通道維度拆分，通過卷積和Sigmoid激活函數(shù)獲得對應(yīng)權(quán)重最終帶有注意力權(quán)重機制的特征圖。為了加強特征提取對位置信息的效果，將CA加在網(wǎng)絡(luò)模塊SPPF的前面。

2.2 SIOU損失函數(shù)

已知YOLOv5的損失函數(shù)是由Bhox回歸損失、目標置信度損失和類別損失3部分組成，在YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)使用CIOU loss作為Bhox回歸損失。CIOU函數(shù)將目標和邊框的距離、尺度等考慮在內(nèi)，使目標框在回歸時候變得準確和穩(wěn)定，函數(shù)表達如式（3）所示。預測框的交并比，A和B表示真實和預測框；p表示預測和真實框的中心點的歐式距離：c表示包含預測和真實框最小區(qū)域的對角線長度：d表示權(quán)重函數(shù)：v表示用來度量真實和預測框的長寬比的相似性。為了提高YOLOv5模型的回歸精度和收斂速度，引入了一種新的SIOU損失函數(shù)替換原來的CIOU，由Angle，DistanCe．Shape和IOU4個Cost函數(shù)組成，具體如下列公式所示。

上述公式對距離重新定義表達y=2 -A，y表示被賦予時間的距離值，p表示預測和真實框中心歐式距離；θ值定義每個數(shù)據(jù)集Shape其值的唯一性；結(jié)合IOU和上述公式得出最終損失函數(shù)表達式。保證數(shù)據(jù)集和參數(shù)以及訓練次數(shù)的設(shè)置相同，最后在理論基礎(chǔ)下的實驗結(jié)果表明．SIOU較CIOU能更好地提高回歸定位精度和速度。

3 實驗結(jié)果和分析

3.1 實驗環(huán)境

實驗操作平臺操作電腦系統(tǒng)為Windowsll. 64位，顯卡為NVIDIA GeForce RTX 3050．處理器是Inrel@

Core'rMi5 - 12500 H 2.50 GHz．運行內(nèi)存為16 G。整個實驗的學習框架是PyTorch l.12．實驗環(huán)境是PVthon 3.8，使用PvCharm編譯工具仿真實驗，使用GPU加速軟件為CUDA 11.3。實驗訓練中設(shè)置EpoChs為300， Batch-size為8，Image -size為640x640n

3.2 準備數(shù)據(jù)集

實驗使用的數(shù)據(jù)集是通過飛槳AI Studio網(wǎng)站和視覺中國網(wǎng)站等獲取圖片，包括森林和草原火災、戶外建筑火災、實驗室火災等，整理后得到總共2 059張圖像作為數(shù)據(jù)集，采用標注工具Labelimg進行數(shù)據(jù)集標注，標注類別為fire．保存為YOLO系列的txt格式。再將其按8：2比例隨機分配為訓練集和驗證集，得到1 647張訓練圖和412張驗證圖。

3.3 評價指標

本實驗中YOLOv5主要采用準確率P、召回率R、平均精度AP、平均精度均值mAP和檢測速度FPS等作為模型性能的評價指標。具體計算公式如下所示。

其中.P表示所有預測目標中正確的比例，TP和FP指的是正負樣本預測的正負樣本個數(shù)：R表示所有已標注目標中正確的比例，F(xiàn)N指的是正樣本預測出負樣本的個數(shù)：AP表示以R為橫軸，P為縱軸形成曲線的面積；mAP用來表示衡量精度的識別。

3.4 消融實驗

針對改進的YOLOv5算法做了對應(yīng)的消融實驗對比驗證，改進點l為在主干網(wǎng)絡(luò)中加入CA注意力機制而增加獲取位置信息的敏感度，改進點2為修改損失函數(shù)用SIOU函數(shù)替換原模型中CIOU去加強輸出端的回歸精度和收斂速度，具體實驗數(shù)據(jù)如表1所示。

從表l中序號2和3的實驗得知，在YOLOv5模型中分別加入2種不同改進措施都可以有效地提高算法的精度；序號4得知，最終改進YOLOv5算法相比于標準算法，主要在精確率和mAP@0.5上分別提高了8. 8%和2.8%．有效地提高了火災檢測的精度。

3.5 算法對比實驗

為了和其他算法做比較，要保證所有的實驗都在相同的實驗環(huán)境和數(shù)據(jù)集上進行，選擇了YOLOv3和算法SSD對比[5-6]．并對主要評價數(shù)據(jù)進行比較，如表2所示。

從表2可以得知，對比SSD和YOLOv3算法，改進YOLOv5在平均精度上最高；在精確率上雖然低于SSD算法，相較于YOLOv3．YOLOv5還是有明顯提高的。實驗結(jié)果表明，改進的YOLOv5算法模型提高了火災檢測的準確性。

4 結(jié)語

本文提出了一種基于改進YOLOv5的火災檢測算法，在算法模型主干網(wǎng)絡(luò)加入CA坐標注意力機制去提高網(wǎng)絡(luò)獲取位置信息的敏感度；修改輸出端的損失函數(shù)用SIOU替換CIOU來提高回歸精度和收斂速度，從而提高檢測性能。實驗表明，改進后的算法可以很好地針對火災情況提高圖像檢測的性能。后期的研究中，保證模型精度的同時，對網(wǎng)絡(luò)進行輕量化處理，并結(jié)合到移動端設(shè)備或低端設(shè)備中，提高火災檢測的實時性。

參考文獻

[1]王繼武，王勝．林木智能化火災預警系統(tǒng)設(shè)計——基于物聯(lián)網(wǎng)和圖像處理[J]．農(nóng)機化研究，2022（ 7）：224-227．

[2]祝玉華，司藝藝，李智慧．基于深度學習的煙霧與火災檢測算法綜述[J]．計算機工程與應(yīng)用，2022（23）：1-11．

[3]蘇凱第，趙巧娥．基于YOLOv5算法的無人機電力巡檢快速圖像識別[J]．電力科學與工程，2022（4）：43-48．

[4]肖粲俊，潘睿志，李超，等．基于改進YOLOv5s絕緣子缺陷檢測技術(shù)研究[J]．電子測量技術(shù)，2022（24）：137-144．

[5]楊萍，房可佳，謝元莎．基于改進YOLOv3的火災識別關(guān)鍵技術(shù)研究[J]．物聯(lián)網(wǎng)技術(shù)．2022（3）：21-23.

[6]田靚靚．基于SSD網(wǎng)絡(luò)的蘋果葉片病害檢測方法研究[D]．咸陽：西北農(nóng)林科技大學．2022．

（編輯沈強）