嵌入Dense Net的YOLOv4多尺度隧道火灾检测算法

为解决现有火灾检测算法在公路隧道的应用较少以及算法检测的准确性和实时性不能满足要求，提出一种改进的YOLOv4隧道火灾检测算法。由于公开的隧道火焰数据集较少，通过模拟火灾形成初期的火焰和网上搜集构建了一个包含3000张隧道火焰图片的数据集，在数据集中添加了500张隧道车灯和500张隧道照明灯用于模型训练，提高泛化性。然后在YOLOv4的特征提取层的CSP结构中嵌入DenseNet,融合多尺度的浅层特征信息，增强特征复用，降低梯度消失的问题和抑制过拟合。再在特征网络检测层中增加了104×104特征检测尺寸，增强隧道火灾形成初期小目标火焰的检测精度。实验结果表明：上述算法检测精度为90.4%,在原YOLOv4网络上提高了5.2%,其检测速度可达0.16s,满足隧道实时检测的要求，并且对小尺寸火焰也有很好的检测效果，对实现隧道火灾初期预警具有重要意义。     

改进YOLOv5s的公路隧道烟火检测方法

针对公路隧道初期火灾烟火混淆且检测实时性要求高的问题，提出改进YOLOv5s的隧道烟火视觉检测方法.该方法通过在YOLOv5s中引入卷积注意力模块(CBAM)，提高对轮廓特征不明显的隧道烟雾及初期火焰重要特征检测的准确率.替换骨干网络中的Focus模块，降低BottleneckCSP的卷积层数目，提升烟火特征提取网络效率.用CIoU替换原有的GIoU损失函数，加快模型的收敛速度.实验以10 000张隧道烟火数据集为训练样本，用YOLOv5s和改进后的YOLOv5s-PRO进行对比试验分析，用2021年3月6日重庆真武山隧道火灾视频数据验证模型.实验结果表明，该算法的检测精度达到91.53%，比YOLOv5s提高了3.21%，检测速度达到6.12 ms，比YOLOv5s提高了0.42 ms，检测精度较高，速度较快，可以应用于实际公路隧道的烟火检测.     

融合时域和分水岭信息的车辆检测算法

在实时视频图像车辆目标检测时,为了克服行进中车辆背景噪声和阴影带来的准确率低、漏检率高等问题,提出一种时空融合和内外标记的分水岭车辆检测算法。通过相邻视频三帧差法得到的时域运动变化信息结合Canny算子得到的边缘图像相结合,得到时域掩模图像。利用文中提出的基于二次重构、内外区域标记、梯度修正的分水岭空域算法对运动区域及其周围区域进行分割,解决了一般分水岭算法的过分割现象。将得到的结果进行投影,以提高运动状态下车辆的检测精度。实验结果表明,在车辆背景噪声和阴影的影响下,该算法的检测效果仍然较好,车辆漏检率降低到4.90%,算法的准确性、鲁棒性和适应性较好。