Para el problema de la debilitación de las características detalladas en los mapas de características de alto nivel de redes neuronales convolucionales, lo que causa la pérdida de las características de bajo nivel en imágenes de humo, se propone un algoritmo mejorado YOLOv4 que combina características detalladas y un mecanismo de atención híbrido. Se diseñó un módulo de fusión de características detalladas que introduce las características detalladas de bajo nivel de la red principal en el mapa de características de alto nivel, obteniendo características fusionadas con rica información multiescala. Se emplea un mecanismo de atención híbrido en las dimensiones de canal y espacial para reasignar los pesos de las características fusionadas, fortaleciendo las características objetivo del humo mientras se suprimen las características de áreas irrelevantes, haciendo que la expresión de las características del humo sea más robusta. Los resultados experimentales muestran que la precisión promedio, la precisión y la tasa de recuperación del algoritmo propuesto aumentaron un 4.31 %, 1.21 % y 9.86 % respectivamente en comparación con el algoritmo YOLOv4, manteniendo al mismo tiempo una velocidad de detección rápida. Este algoritmo puede extraer eficazmente las características generales del objetivo del humo y es más adecuado para la tarea de detección de humo de incendios en fondos complejos.

Detección de humo; aprendizaje profundo; algoritmo YOLOv4; fusión de características; mecanismo de atención híbrido