Zur Problematik der Abschwächung von Detailmerkmalen in hochstufigen Merkmalskarten von Faltungsneuronalen Netzen, was zum Verlust von Grundmerkmalsinformationen in Rauchbildern führt, wird ein verbesserter YOLOv4-Algorithmus vorgeschlagen, der Detailmerkmale und einen hybriden Aufmerksamkeitsmechanismus integriert. Ein Modul zur Fusion von Detailmerkmalen wurde entworfen, das Detailmerkmale aus der Basisschicht des Rückgratnetzwerks in hochstufige Merkmalskarten einführt, um fusionierte Merkmale mit reichhaltigen multiskaligen Informationen zu erhalten. Es wird ein hybrider Aufmerksamkeitsmechanismus in Kanal- und Raumdimensionen verwendet, um die Gewichtung der fusionierten Merkmale neu zuzuweisen. Dabei werden Rauchzielmerkmale verstärkt und irrelevante Bereichsmerkmale unterdrückt, wodurch die Robustheit der Rauchausdrucksmerkmale verbessert wird. Experimentelle Ergebnisse zeigen, dass die durchschnittliche Genauigkeit, Präzision und Rückrufrate dieses Algorithmus im Vergleich zum YOLOv4-Algorithmus um 4,31 %, 1,21 % bzw. 9,86 % verbessert wurden, während eine schnelle Erkennungsgeschwindigkeit beibehalten wurde. Der Algorithmus kann effektiv die Gesamteigenschaften von Rauchzielen extrahieren und ist besser für komplexe Hintergrunderkennung von Brandrauch geeignet.

Raucherkennung; Deep Learning; YOLOv4-Algorithmus; Merkmalfusion; hybrider Aufmerksamkeitsmechanismus