中国安全科学学报

作者：马庆禄, 孙枭, 唐小垚, 鲁佳萍, 段学锋

单位：1 重庆交通大学 交通运输学院,重庆 400074；2 宁夏交投高速公路管理有限公司,宁夏 银川 750000

关键词：YOLOv5s算法,公路隧道,初期火灾,目标检测,深度学习

基金：国家社会科学基金国家应急管理体系建设研究专项项目(20VYJ023); 宁夏回族自治区交通运输厅科技项目(NJGF20200301)

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明:YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检出率方面更具有优势,检测效果明显,满足实际火灾检测需要。

来源：2023年第10期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2023年第10期