基于改進YOLOv5的火災檢測研究

馬世森 劉國巍

摘要：針對傳統火災系統預警不及時、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。為了增強網絡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%．優化定位框和誤檢情況。實驗結果表明，改進的YOLOv5算法模型提高了火災檢測的準確性和實時性。

關鍵詞：預警：火災檢測：YOLOv5：注意力機制：損失函數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。傳統的火災預警檢測系統是利用溫濕度和煙霧感應器檢測周圍環境中的溫度、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、識別等領域迎來了空前繁榮[2]。深度學習的火災檢測技術檢測速度快、精度高、不受環境影響限制、成本低。針對傳統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。為了增強網絡對火焰特征的方向和位置等參數信息的敏感度，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SIOU替換CIOU。做好消融實驗繪制數據表，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系列發展到YOLOv5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、主干網絡（ Backbone）、頸部（Neck）和輸出端4部分組成。根據寬、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錨框功能得到最佳錨框值，對數據集進行預處理得到豐富數據集：主干網絡將之前版本Focus替換成卷積層Conv．使用C3 - Darknec模塊解決出現的梯度信息重復問題，使模型輕量化，并且在骨干網絡末端加入SPPF模塊：頸部網絡采用特征金字塔和白上而下的路徑聚集網絡結構相結合的方式：輸出端對頸部輸出的特征圖通過損失函數CIOU和經典非極大值抑制來實現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絡對特征的方向和位置等信息的敏感度，在主干網絡結構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通道的輸出函數和高度為h的第c通道的輸出函數如式（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，經過一個卷積和非線性激活函數的操作在通道維度拆分，通過卷積和Sigmoid激活函數獲得對應權重最終帶有注意力權重機制的特征圖。為了加強特征提取對位置信息的效果，將CA加在網絡模塊SPPF的前面。

2.2 SIOU損失函數

已知YOLOv5的損失函數是由Bhox回歸損失、目標置信度損失和類別損失3部分組成，在YOLOv5的網絡結構使用CIOU loss作為Bhox回歸損失。CIOU函數將目標和邊框的距離、尺度等考慮在內，使目標框在回歸時候變得準確和穩定，函數表達如式（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域的對角線長度：d表示權重函數：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損失函數替換原來的CIOU，由Angle，DistanCe．Shape和IOU4個Cost函數組成，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值定義每個數據集Shape其值的唯一性；結合IOU和上述公式得出最終損失函數表達式。保證數據集和參數以及訓練次數的設置相同，最后在理論基礎下的實驗結果表明．SIOU較CIOU能更好地提高回歸定位精度和速度。

3 實驗結果和分析

3.1 實驗環境

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

Core'rMi5 - 12500 H 2.50 GHz．運行內存為16 G。整個實驗的學習框架是PyTorch l.12．實驗環境是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。實驗訓練中設置EpoChs為300， Batch-size為8，Image -size為640x640n

3.2 準備數據集

實驗使用的數據集是通過飛槳AI Studio網站和視覺中國網站等獲取圖片，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張圖像作為數據集，采用標注工具Labelimg進行數據集標注，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：R表示所有已標注目標中正確的比例，FN指的是正樣本預測出負樣本的個數：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算法做了對應的消融實驗對比驗證，改進點l為在主干網絡中加入CA注意力機制而增加獲取位置信息的敏感度，改進點2為修改損失函數用SIOU函數替換原模型中CIOU去加強輸出端的回歸精度和收斂速度，具體實驗數據如表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境和數據集上進行，選擇了YOLOv3和算法SSD對比[5-6]．并對主要評價數據進行比較，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。實驗結果表明，改進的YOLOv5算法模型提高了火災檢測的準確性。

4 結語

本文提出了一種基于改進YOLOv5的火災檢測算法，在算法模型主干網絡加入CA坐標注意力機制去提高網絡獲取位置信息的敏感度；修改輸出端的損失函數用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，對網絡進行輕量化處理，并結合到移動端設備或低端設備中，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設計——基于物聯網和圖像處理[J]．農機化研究，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研究[J]．電子測量技術，2022（24）：137-144．

[5]楊萍，房可佳，謝元莎．基于改進YOLOv3的火災識別關鍵技術研究[J]．物聯網技術．2022（3）：21-23.

[6]田靚靚．基于SSD網絡的蘋果葉片病害檢測方法研究[D]．咸陽：西北農林科技大學．2022．

（編輯沈強）