Para o problema do enfraquecimento das características detalhadas em mapas de características de alto nível das redes neurais convolucionais, causando perda das características de baixo nível em imagens de fumaça, propõe-se um algoritmo YOLOv4 melhorado que integra características detalhadas e um mecanismo de atenção híbrido. Foi projetado um módulo de fusão de características detalhadas para introduzir as características detalhadas de baixo nível da rede backbone nos mapas de características de alto nível, obtendo características fusionadas com informações multiescala ricas. Um mecanismo de atenção híbrido é utilizado nas dimensões de canal e espacial para reatribuir os pesos dos mapas das características fusionadas, reforçando as características do alvo de fumaça enquanto suprime as características de áreas irrelevantes, tornando a expressão das características de fumaça mais robusta. Os resultados experimentais mostram que a média da precisão, a precisão e a taxa de recuperação do algoritmo proposto aumentaram 4,31%, 1,21% e 9,86%, respectivamente, em comparação ao algoritmo YOLOv4, mantendo uma velocidade de detecção rápida. Este algoritmo pode extrair efetivamente as características globais do alvo de fumaça, sendo mais adequado para tarefas de detecção de fumaça em incêndios com fundos complexos.

Detecção de fumaça; aprendizado profundo; algoritmo YOLOv4; fusão de características; mecanismo de atenção híbrido