嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法
【摘要】 为解决现有火灾检测算法无法同时满足高检测率、低误报率以及高实时性的检测需求的问题，提出了一种基于卷积神经网络的改进YOLOv3目标检测算法，通过深度卷积神经网络自动提取火焰特征对全图进行多尺度特征图预测.首先，针对网络公开火灾数据集数量较少、场景种类受限、火焰尺度单一等问题，自建了一个包含13573张火灾图片的火灾数据集用于对模型进行训练和测试，其中训练集图片10014张，测试集图片3559张.接着，为了提升网络对于多尺度目标(尤其是小尺度目标)火焰的特征提取效果，通过在原YOLOv3的特征提取网络Darknet-53中嵌入空洞卷积模块以充分利用上下文信息，扩增感受野的同时保证不丢失特征图的分辨率.此外，在特征提取网络中加入DenseNet密集型连接网络结构单元，以增强特征复用，同时缓解深度卷积神经网络在特征传播过程中的梯度消失问题.该改进的特征提取网络相比原网络层数进一步加深，网络参数量显著减少.结合火灾检测任务需求实际，简化了损失函数，加快了网络的收敛速度.实验结果表明:该算法检测速度快，检测精度高，不
