Pour le problème de l'affaiblissement des caractéristiques détaillées dans les cartes de caractéristiques de haut niveau des réseaux neuronaux convolutifs, entraînant une perte des caractéristiques de bas niveau dans les images de fumée, une méthode améliorée YOLOv4 intégrant des caractéristiques détaillées et un mécanisme d'attention hybride est proposée. Un module de fusion des caractéristiques détaillées a été conçu pour introduire les caractéristiques détaillées de bas niveau du réseau principal dans la carte des caractéristiques de haut niveau, obtenant ainsi des caractéristiques fusionnées riches en informations multi-échelles. Un mécanisme d'attention hybride est utilisé sur les dimensions de canal et spatiale pour réattribuer les poids des caractéristiques fusionnées, renforçant les caractéristiques des cibles de fumée tout en supprimant les caractéristiques des zones non pertinentes, ce qui rend l'expression des caractéristiques de fumée plus robuste. Les résultats expérimentaux montrent que la précision moyenne, la précision et le rappel de l'algorithme proposé ont augmenté respectivement de 4,31 %, 1,21 % et 9,86 % par rapport à l'algorithme YOLOv4, tout en maintenant une vitesse de détection rapide. Cet algorithme peut extraire efficacement les caractéristiques globales des cibles de fumée et est plus adapté à la détection de fumée d'incendie dans des contextes complexes.

Détection de fumée; apprentissage profond; algorithme YOLOv4; fusion de caractéristiques; mécanisme d'attention hybride