摘要
为了解决煤矿火灾检测算法模型参数量较大、推理交互时间较长、错检和漏检率较高等问题,提出了一种YOLOv8-VPC深度学习模型的煤矿火灾检测算法.用VanillaNet替换主干网络,降低模型的复杂度,减小模型的计算量;加入ParNet机制,降低计算复杂度;在 Neck区域加入上采样操作CARAFE,提高融合特征的质量,提高检测性能;提出GIoU为损失函数,加入了一个 ground truth和预测框,提升了预测框和检测的准确率.为了验证算法的可行性,选取收集到的火灾烟雾数据集,进行训练和验证.结果表明:对比YOLOv8n模型,YOLOv8-VPC 算法的平均精度均值(mAP)@0.5 提高了 13.9%,参数量保持不变,且对物体的检测效果更好.
NETL
NSTL
万方数据