基于改进YOLOv8的火焰检测算法

摘要

针对复杂环境下检测火焰效果差，初期小火焰容易出现错检以及漏检的问题，在YOLOv8的基础上提出YOLOv8-SCV算法。首先，在C2f模块中嵌入SimAM注意力机制，设计一个模块SimAM-C2f,应用到骨干网络中，减少特征冗余，帮助模型更精确地识别火焰特征；然后，引入上采样算子CARAFE替代Upsample模块，减少上采样信息的损失。最后，在Neck部分，使用轻量级卷积GSConv代替标准卷积，使用单次聚合(one-shot aggregation)方法设计跨级部分网络VoV-GSCSPC,减少模型参数量，降低模型计算量的同时，提升一定的精度。实验结果表明，YOLOv8-SCV算法相比原来的算法mAP50、Precision值分别提高了4.1%、7%,改善了小目标火焰错检、漏检问题，同时满足火焰检测的实时性要求。

关键词

深度学习 / 火焰检测 / 注意力机制 / YOLOv8算法 / 特征融合