摘要
文章针对车载智能消防炮上基于图像的烟焰检测算法检测平均精度低、烟焰漏检和误检率高的问题,提出一种烟焰检测算法GBS-YOLO(以Ghost-BiFusion-SIoU首字母命名).GBS-YOLO以YOLOV5s为基准模型,引入轻量级网络GhostNet、使用较复杂的多尺度特征融合网络BiFusion Neck、采用SIoU损失函数对基准模型进行改进.实验结果表明,GBS-YOLO在自定义数据集上的平均精度相较于原始模型提升了 2.2％,是YOLOV7-tiny提升精度的2倍;检测速度达到77fps,相较于基准模型提升了 6.9％.将模型部署到NVIDIA Jetson Orin平台上,有效实现了烟焰的检测能力,满足火灾救援场景的实际需求.
NETL
NSTL
万方数据