DAHD-YOLO:一种新的高稳定性和实时的烟雾检测方法
Jianfei Zhang1, Chengwei Jiang1
1School of Computer and Control Engineering, Qiqihar University, Qiqihar 161006, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究介绍了DAHD-YOLO,这是一个改进的深度学习模型,用于准确和实时检测吸烟行为. 该模型增强了特征提取和融合,在复杂的环境中实现了卓越的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习模型越来越多地用于人类行为识别.
- 现有的吸烟行为对象检测模型的准确性低,实时性能差,特别是在复杂的环境中.
研究的目的:
- 开发一种先进的深度学习模型,用于精确和实时检测吸烟行为.
- 在准确性和效率方面解决现有模型的局限性.
主要方法:
- 推出了DAHD-YOLO,这是一个基于YOLOv8.8的新型模型.
- 整合了DBCA模块,用于增强特征提取和适应细粒度通道注意力 (AFGCA),以实现更好的特征融合.
- 使用了改进的特征金字塔网络 (ECA-FPN) 和一个脱的检测头,用于界限框回归的Wise-PIoU损失.
主要成果:
- 与现有模型相比,在自建的吸烟检测数据集上取得了优异的结果.
- 减少了23.20%的计算复杂性和33.95%的模型参数.
- 在优化后将mAP50增加了5.1%至86.0%,并在RK3588上实现了50.2fps的检测率.
结论:
- DAHD-YOLO显著提高了吸烟行为检测准确度和实时性能.
- 该模型的效率和有效性使其适用于需要准确和即时识别吸烟活动的实际应用.
