基于改进YOLOv3的火焰检测

摘要

针对基于深度学习的目标检测算法YOLOv3在火焰检测时对疑似火焰物体误检率高、小火焰漏检率高的问题,提出了一种基于改进YOLOv3算法的火焰检测算法。首先构建包含多种复杂场景的火焰数据集;其次采用k-means++聚类算法初始化候选框,降低原始候选框与标记不符导致的误检率;然后基于YOLOv3算法改进多尺度特征融合结构,在特征融合过程中提出同尺度特征密集相连结构和空间金字塔卷积运算,降低因浅层位置特征信息融合不足导致的漏检率。实验结果表明,所提方法的检测准确率、召回率和F1值分别达到了100%、97.64%和98.81%,能有效解决复杂场景下对疑似火焰物体误检率高、小火焰漏检率高的问题。