针对火灾中小目标、多目标、边缘模糊等导致的检测精度下降问题,提出了一种基于YOLOv3(You only look once,v3)改进的火焰目标检测算法。首先,通过改进的特征金字塔网络对局部信息进行二次利用。然后,设计大尺度全卷积模块以获取不同尺度的全局空间信息,用改进的通道空间注意力机制提高有效信息,并抑制无用信息。最后,用完全交并比和Focal Loss作为损失函数,以提高难识别目标的检测精度和缓解数据集不平衡的问题。在自制火焰数据中的实验结果表明,本算法具有较高的检测精度和较快的检测速度,平均精度均值高达89.82%,检测速度可达到20.2FPS(每秒传输帧数),能满足火灾检测的实时性和高效性要求。

针对传统语义分割算法参数量大、运行慢,不利于违禁品识别技术实际应用的问题,提出一种基于轻量化分割网络的违禁品识别算法。在模型的浅层特征层设计空洞卷积模块来扩大网络的感受野,减少误分类并提升分割精细度。在深层特征层设计非对称卷积模块取代传统单一串联卷积操作,降低计算复杂度。实验结果表明,所提算法在识别精度和速度上取得了均衡的性能,平均交并比(mIoU)达73.18×10 -2,每秒传输帧数(FPS)达27.1。

提出了一种低参数量实时图像语义分割网络模型Atrous-squeezeseg。模型在最低参数量为2.1×10 ⁷时的运算帧率为45.3 frame/s,像素点准确度与均交并比分别可达到59.5%与62.9%。同时,嵌入式设备NVIDIA TX2的运算帧率可达8.3 frame/s。实验结果表明,相比于其他分割算法,所提模型的速度和参数量均得到了提升。