文章插图
C. 数据标注
本文使用图像标注软件labellmg对样本图像的真实值进行手动标注，选择对应目标区域的标注矩形框，自定义目标类别，标注信息将以.xml格式保存 。双击打开“saved.xml”文件，文件中包含箱子所属类别、图像文件名、路径信息、目标类型和数量、箱子大小和中心点坐标 。使用LabImage标注工具完成标注，最终获得2585张样本图像，包括火和烟2类，按照8:2的比例分为训练集和测试集，其中训练集图像2068张，测试集图像517张 。
D. 模型训练
用于模型训练的硬件环境:Intel (R) Core (TM) i9-10900K CPU, 32.0 GB内存，NVIDIAGeForceRTX3090 。软件环境:Windows10操作系统，Python3.10开发语言，PyTorch深度学习框架 。在超参数设置中，batch-size设置为16，最大迭代次数的epoch设置为300,num-workers设置为2 。Adam优化器可以在训练过程中达到参数优化的目的，同时保证网络检测精度，减小网络规模和参数数量，增强网络的检测和识别能力 。随着训练轮数的增加，总损失值呈下降趋势 。当训练轮数为300轮时，模型的精度趋于稳定，总损失值基本稳定在0.03，满足模型收敛的基本要求 。可以确定300为模型的最佳训练轮，模型达到了较好的拟合效果 。
E. 基于YOLOv5的工厂火焰烟雾检测及结果分析
为了更直观地感受三种算法的测试结果，选取了一组复杂背景和小目标样本图像进行检测 。将选取的样本组发送到三种算法的网络模型中进行测试 。YOLOv5l、SSD和YOLOv4-tiny算法的检测结果分别如下三图所示 。
文章插图
YOLOv5l检测四张样本图像的时间分别为0.196s、0.075s、0.082s和0.07s 。从上述的检测结果可以得出，在保证目标盒位置准确的前提下，检测小目标的可靠性达到80%以上，检测大目标的可靠性达到90%以上，满足厂区火焰烟雾检测要求，具有良好的检测性能 。使用SSD算法对样本组进行测试，从图中可以看出，部分目标未被检测到，被检测目标的可靠性为60%-70% 。可以看出，使用SSD算法检测样本组存在目标漏检、置信度低等问题 。出现这种现象的原因可能是样本中的背景比较复杂，目标比较小 。该模型在训练和学习过程中无法充分提取目标特征 。因此SSD算法不能较好地满足厂区火焰烟雾目标检测的指标要求 。使用YOLOv4-tiny算法检测样本组的结果如上图所示 。yolov -tiny算法对样本组的检测时间分别为0.81 s、0.94 s、0.75 s和0.60 s，是改进YOLOv5算法的8-9倍 。
从以上性能指标分析可以看出，基于我们提出的改进YOLOv5算法的火焰烟雾检测结果AP值高于99%，提高了目标检测精度，总损失率下降到0.03，显著低于一般目标检测算法的损失值 。与SSD、YOLOv4-tiny和YOLOv7算法相比，基于改进YOLOv5算法的石化工厂火焰烟雾检测具有速度快、体积小的优点，较好地满足了石化工厂火焰烟雾检测的基本要求 。
6.结论文章提出了一种基于改进YOLOv5的工厂背景下火焰烟雾实时检测算法 。目的是解决复杂背景、小目标和多目标火焰烟雾检测中的漏检和误检问题 。
该模型采用速度快、精度高、尺寸自适应的YOLOv5l作为基本模型 。文章的主要贡献如下:
(1)为了更好地优化目标盒和预测盒，采用CIoU _ Loss代替原有的GIoU _ Loss作为包围盒损失函数，加快了模型的收敛速度，提高了模型的检测性能;
(2)为避免网络过拟合，将卷积模块的LeakyReLU激活函数替换为SiLU激活函数，解决LeakyReLU梯度消失和梯度爆炸的问题，防止其泛化性能降低;
(3)针对数据集中目标小、背景复杂的问题，采用马赛克数据增强技术，提高小目标的检测精度，增强网络特征提取能力 。自适应图像调整技术可以自适应地在图像周围添加最少的黑边，减少参数计算量，从而更好地平衡网络模型的精度和速度 。
推荐阅读
- 赣南脐橙价格最新价格
- insomnia的一所学校教英语。)
- 童装尺码对照表
- 东风雪铁龙凯旋
- 老八吃粑粑视频
- 宇将军背景图片
- 德哈文车级长的惩罚fanfiction
- 寻找手机的方法
- 名门绅士五部曲的顺序