FSDNet——一种基于 YOLOv3 与 DenseNet 的复杂场景高效火灾检测网络
计算机视觉与模式识别
2023-04-18 v1 人工智能
摘要
火灾是日常生活中常见的灾害之一。为实现火灾的快速准确检测，本文提出一种称为 FSDNet（Fire Smoke Detection Network，火焰烟雾检测网络）的检测网络，其由特征提取模块、火灾分类模块和火灾检测模块组成。首先，在基础特征提取模块中引入密集连接结构，以增强骨干网络的特征提取能力并缓解梯度消失问题。其次，在火灾检测模块中引入空间金字塔池化结构，并在训练过程中使用 Mosaic 数据增强方法与 CIoU 损失函数，综合提升火焰特征提取能力。最后，针对公开火灾数据集的不足，通过数据采集、筛选与对象标注构建了一个包含 11938 张火灾图像的火灾数据集 MS-FS（Multi-scene Fire And Smoke，多场景火焰与烟雾）。为证明所提方法的有效性，在两个基准火灾数据集与 MS-FS 上对该方法的精度进行了评估。实验结果表明，FSDNet 在两个基准数据集上的精度分别为 99.82% 和 91.15%，在 MS-FS 上的平均精度为 86.80%，优于主流火灾检测方法。
引用
@article{arxiv.2304.07584,
title = {FSDNet-An efficient fire detection network for complex scenarios based on YOLOv3 and DenseNet},
author = {Li Zhu and Jiahui Xiong and Wenxian Wu and Hongyu Yu},
journal= {arXiv preprint arXiv:2304.07584},
year = {2023}
}