一种基于小波变换的YOLOv5火灾检测改进算法

由于复杂环境下类烟火物体的干扰，常导致火灾检测误判。为了提高图像中火灾信号的检测精度，减少火灾误报，利用传统光谱分析在火灾图像检测技术中的优势，提出了一种基于小波变换的YOLOv5火灾检测改进算法。该算法利用二维Haar小波变换提取图像的光谱特征，将其输入到YOLOv5s的主干网络CSPDarknet中，与卷积层进行通道上的特征融合，增强烟火的纹理细节特征；通过嵌入CA注意力机制的CAC3模块，对融合小波特征后的网络层的位置信息进行增强，提高网络的信息提取和定位能力；为明确衡量边界框宽高的真实差，平衡烟火难易样本，采用α-EIOU损失函数替换原本的CIOU,提高框定位准确性。在公开的火灾数据基础上结合自制火灾数据构建火灾数据集，并进行模型训练和推理。实验结果表明，改进后算法的mAP比原YOLOv5s提升了2.3%,实现了对火灾场景烟火目标较好的检测效果。