融合EfficientViT的YOLOv5石墨化火焰检测模型

石墨化车间火焰识别监测对企业安全生产、污染物治理及节约能耗有着重要意义。针对现有深度学习目标检测模型存在对小火焰的识别精度较低，模型参数较多，不适用于嵌入式设备等问题，提出一种改进的YOLOv5轻量级石墨化火焰检测模型。采用EfficientViT模型为主干网络，在减少模型整体参数量的同时提高注意力的多样性。其次，使用（normalized wasserstein distance,NWD）改进损失函数，提高对小火焰的检测性能。经实验验证，所提出的模型查准率为90.2%,AP@0.5为94.3%。检测精度与YOLOv5网络相当的同时，参数数量减少了47%，模型大小减少了49%，具有识别精度高、占用内存少的优势。