Для проблемы ослабления детальных признаков на высокоуровневых особенностях свёрточных нейронных сетей, что приводит к потере базовых признаков в изображениях дыма, предложен улучшенный алгоритм YOLOv4, объединяющий детальные признаки и гибридный механизм внимания. Разработан модуль слияния детальных признаков, который вводит базовые детальные признаки из основной сети в высокоуровневую карту признаков, что обеспечивает объединённые признаки с богатой многоуровневой информацией. Гибридный механизм внимания применяется по каналам и пространственным измерениям для переназначения весов объединённых признаков, усиливая признаки цели дыма и подавляя нерелевантные области, что улучшает устойчивость выражения признаков дыма. Экспериментальные результаты показывают, что средняя точность, точность и полнота данного алгоритма увеличились на 4.31%, 1.21% и 9.86% соответственно по сравнению с алгоритмом YOLOv4 при сохранении высокой скорости обнаружения. Данный алгоритм эффективно извлекает общие признаки целей дыма и более применим для задач обнаружения дымовых пожаров на сложном фоне.

Обнаружение дыма; глубокое обучение; алгоритм YOLOv4; слияние признаков; гибридный механизм внимания