張冬梅 宋子濤 范皓鑫

摘?要：

針對(duì)復(fù)雜環(huán)境中，火焰檢測(cè)存在特征提取不足和邊緣模糊目標(biāo)檢測(cè)性能欠缺問(wèn)題，提出一種融合擠壓激勵(lì)（Squeeze＼|and＼|Excitation，SE）注意力機(jī)制的YOLOv7火焰目標(biāo)檢測(cè)算法。該算法以YOLOv7為基礎(chǔ)框架，基于公開(kāi)火焰數(shù)據(jù)集，對(duì)不同位置點(diǎn)插入SE注意力機(jī)制的網(wǎng)絡(luò)模型進(jìn)行研究，進(jìn)而構(gòu)建融合多點(diǎn)注意力機(jī)制的YOLOv7_Attention網(wǎng)絡(luò)模型，以充分提取火焰的有效特征，抑制冗余特征。實(shí)驗(yàn)結(jié)果表明，融合SE注意力機(jī)制的YOLOv7_Attention網(wǎng)絡(luò)模型與原始YOLOv7模型相比，其mAP提升了1.64百分點(diǎn)，邊緣模糊火焰目標(biāo)檢測(cè)效果顯著。

關(guān)鍵詞：火焰圖像；目標(biāo)檢測(cè)；注意力機(jī)制；YOLOv7

中圖分類(lèi)號(hào)：TP391??文獻(xiàn)標(biāo)志碼：A

0?引言（Introduction）

火焰探測(cè)作為一種火災(zāi)報(bào)警系統(tǒng)的方法，已展現(xiàn)出極大的潛力和發(fā)展前景［1］。傳統(tǒng)火焰檢測(cè)方法必須依靠溫度、煙霧等傳感設(shè)備，容易受環(huán)境干擾且系統(tǒng)的穩(wěn)定性差、誤報(bào)率高［2］。近年來(lái)，基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展迅速，在目標(biāo)檢測(cè)任務(wù)中取得了較好的應(yīng)用效果。目標(biāo)檢測(cè)算法通常分為兩類(lèi)：一類(lèi)是以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region＼|based?Convolutional?Neural?Networks，R＼|CNN）［3］為代表的兩階段模型，第一階段產(chǎn)生目標(biāo)所在區(qū)域候選框，第二階段通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)候選框進(jìn)行分類(lèi)和位置回歸；另一類(lèi)是以單階多框目標(biāo)檢測(cè)方法（Single?Shot?MultiBox?Detector，SSD）［4］、YOLO（You?Only?Look?Once，YOLO）系列［5＼|7］為代表的端到端單階段模型，可以直接確定目標(biāo)類(lèi)別和位置且檢測(cè)速度較快。

基于深度學(xué)習(xí)的火焰檢測(cè)方法有多種。嚴(yán)云洋等［8］基于Faster?R＼|CNN網(wǎng)絡(luò)識(shí)別火焰，大幅提升了火焰檢測(cè)精度和魯棒性。HAN等［9］采用了改進(jìn)的CA＼|SSD目標(biāo)檢測(cè)模型，在保證實(shí)時(shí)準(zhǔn)確定位吸煙者位置的基礎(chǔ)上，提高了吸煙檢測(cè)的準(zhǔn)確性。楊天宇等［10］和徐巖等［11］利用YOLOv3系列算法，融合注意力機(jī)制，提高了火焰檢測(cè)效果。XU等［12］將YOLOv5與高效可擴(kuò)展目標(biāo)檢測(cè)器（Scalable?and?Efficient?Object?Detection，EfficientDet）協(xié)同工作并行檢測(cè)火災(zāi)，最大化地利用了全局特征和局部特征，提升了小目標(biāo)檢測(cè)精度，提高了召回率。

YOLOv7算法［13］是YOLO系列中高效且重要的目標(biāo)檢測(cè)算法之一，但依然存在特征提取能力不足的問(wèn)題。本文研究在不同點(diǎn)插入SE注意力機(jī)制的網(wǎng)絡(luò)模型，進(jìn)一步構(gòu)建融合多點(diǎn)注意力機(jī)制的YOLOv7_Attention網(wǎng)絡(luò)模型，以加強(qiáng)YOLOv7的特征提取能力，提升火焰目標(biāo)檢測(cè)算法的目標(biāo)檢測(cè)效果。

1.1?YOLOv7網(wǎng)絡(luò)模型

YOLOv7是基于YOLOv4和YOLOv5的一種單階段目標(biāo)檢測(cè)算法，能較好地均衡算法的速度和精度，為實(shí)現(xiàn)復(fù)雜環(huán)境中的火焰目標(biāo)檢測(cè)奠定了基礎(chǔ)［14］。

基于YOLOv7網(wǎng)絡(luò)模型的目標(biāo)檢測(cè)過(guò)程包括4個(gè)網(wǎng)絡(luò)層次，分別是輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、輸出檢測(cè)，YOLOv7網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

圖1中輸入層（Input）負(fù)責(zé)將輸入的原始三通道圖像尺寸定義成640×640，使用Mosaic數(shù)據(jù)增強(qiáng)方法，通過(guò)隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排列等操作，將4張圖片拼接在一起，從而增強(qiáng)數(shù)據(jù)集。主干網(wǎng)絡(luò)層（BackBone）主要由擴(kuò)展高效層聚合網(wǎng)絡(luò)（Extended?Efficient?Layer?Aggregation?Network，E＼|ELAN）、最大池化（Max?Pooling，MP）模塊構(gòu)建，通過(guò)深度卷積提取不同尺度的特征信息。頸部網(wǎng)絡(luò)（Neck）也稱(chēng)特征融合層，主要由空間金字塔池化（Spatial?Pyramid?Pooling，SPP）和跨階段部分鏈接（Cross?Stage?Partial?Connections，CSPC）結(jié)合的模塊SPPCSPC［15］、CBS（Conv＼|BN＼|Sigmoid）、ELAN的改進(jìn)版本ELAN＼|W、上采樣UPSample等構(gòu)建，負(fù)責(zé)深度融合不同尺度的特征圖像信息，形成小、中、大3種不同尺寸的特征。輸出檢測(cè)層（Head）對(duì)提取的特征進(jìn)行劃分，將預(yù)測(cè)出的錨框坐標(biāo)、類(lèi)別及置信度進(jìn)行非極大值抑制后輸出。

1.2?SENet網(wǎng)絡(luò)

SENet網(wǎng)絡(luò)（Squeeze＼|and＼|Excitation?Networks，SE）是一種基于注意力機(jī)制的深度學(xué)習(xí)方法［16］。在通道維度上引入注意力機(jī)制，通過(guò)壓縮操作順著空間維度進(jìn)行特征壓縮，獲得通道上的全局分布，通過(guò)激勵(lì)操作構(gòu)建通道間的自相關(guān)性，從而增強(qiáng)有用信息所述特征通道的輸出能力、抑制或弱化非顯著特征，然后對(duì)各通道產(chǎn)生的特征圖加權(quán)以提升特征提取能力［17］。SE網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

SE模塊以極小的額外計(jì)算成本為現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)帶來(lái)顯著的性能提升，同時(shí)由于其簡(jiǎn)單的原理與模塊化設(shè)計(jì)，使得其可以添加在任意一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)中。

1.3?遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種將已有的標(biāo)注數(shù)據(jù)作為源域，將需要檢測(cè)的數(shù)據(jù)作為目標(biāo)域，將源域數(shù)據(jù)中的已有知識(shí)和模型應(yīng)用于目標(biāo)域的學(xué)習(xí)方法［18］。一般用于解決目標(biāo)域數(shù)據(jù)量少、標(biāo)注困難等問(wèn)題，以提高目標(biāo)域任務(wù)的性能和泛化能力。

由于公開(kāi)的火焰數(shù)據(jù)集有限，為了提高模型的泛化能力，本文使用YOLOv7網(wǎng)絡(luò)模型在公開(kāi)數(shù)據(jù)集COCO（Common?Objects?in?Context）上訓(xùn)練得到的預(yù)訓(xùn)練權(quán)重遷移至火焰任務(wù)中。具體過(guò)程如下：首先，在YOLOv7網(wǎng)絡(luò)模型中加載預(yù)訓(xùn)練權(quán)重；其次，在火焰目標(biāo)集上進(jìn)行訓(xùn)練時(shí)，先凍結(jié)主干部分的權(quán)值，確保特征提取網(wǎng)絡(luò)保持穩(wěn)定；最后在解凍訓(xùn)練階段允許主干參數(shù)在訓(xùn)練過(guò)程中發(fā)生微調(diào)，從而提高模型在火焰檢測(cè)任務(wù)上的性能表現(xiàn)。網(wǎng)絡(luò)初始學(xué)習(xí)率為1e-2，最小學(xué)習(xí)率為初始學(xué)習(xí)率×0.01。采用余弦退火法降低學(xué)習(xí)率，采用隨機(jī)梯度下降（Stochastic?Gradient?Descent，SGD）優(yōu)化算法。

卷積神經(jīng)網(wǎng)絡(luò)中添加注意力模塊的位置點(diǎn)不同，對(duì)神經(jīng)網(wǎng)絡(luò)提取特征的影響也不同。YOLOv7網(wǎng)絡(luò)模型主要包括4個(gè)部分：輸入網(wǎng)絡(luò)、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)，輸入網(wǎng)絡(luò)用于接收?qǐng)D像，主干網(wǎng)絡(luò)用于提取特征，頸部網(wǎng)路用于融合特征，頭部網(wǎng)路用于預(yù)測(cè)目標(biāo)。因此，為了探究注意力機(jī)制插入點(diǎn)對(duì)YOLOv7網(wǎng)絡(luò)模型精度的影響，對(duì)YOLOv7網(wǎng)絡(luò)模型中的主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)進(jìn)行單一插入和組合插入。

2.1?單一位置插入注意力機(jī)制

單一插入點(diǎn)是指只在網(wǎng)絡(luò)中的單個(gè)位置一次性插入SE模塊。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)確定研究的單一插入點(diǎn)分別為圖3中標(biāo)注的①②③位置點(diǎn)。

2.2?YOLOv7_Attention網(wǎng)絡(luò)模型

在卷積神經(jīng)網(wǎng)絡(luò)中，由于淺層網(wǎng)絡(luò)離輸入層較近，因此提取的特征包含更多的細(xì)粒度像素點(diǎn)信息，如棱角、顏色、紋理、邊緣等。深層網(wǎng)絡(luò)離輸入層較遠(yuǎn)，提取的特征包含更抽象的粗粒度信息，如語(yǔ)義信息、目標(biāo)整體形狀和物體的空間關(guān)系等。因此為了提高YOLOv7網(wǎng)絡(luò)模型的特征提取能力，使其在充分加強(qiáng)有效特征的同時(shí)抑制背景噪聲，在YOLOv7網(wǎng)絡(luò)中插入M2和M3，將注意力機(jī)制與YOLOv7網(wǎng)絡(luò)模型充分融合，構(gòu)建融合多點(diǎn)注意力機(jī)制的YOLOv7網(wǎng)絡(luò)模型，稱(chēng)之為YOLOv7_Attention（圖5）。

3.1?實(shí)驗(yàn)環(huán)境及模型訓(xùn)練

由于本地計(jì)算機(jī)環(huán)境無(wú)法滿(mǎn)足實(shí)驗(yàn)需求，因此租用智星云AI?Galaxy平臺(tái)中的GPU云服務(wù)器。

硬件環(huán)境如下：GeForce?RTX?3080（10?GB顯存）、GPU數(shù)量為1個(gè)、GPU大小為16?GB、CPU核數(shù)為12核、內(nèi)存為27?GB、系統(tǒng)盤(pán)大小為100?GB、數(shù)據(jù)盤(pán)大小為120?GB、鏡像為Win10。軟件環(huán)境如下：Tensorflow?2.4、Python?3.8.3、PyCharm。

基于YOLOv7神經(jīng)網(wǎng)絡(luò)構(gòu)建火焰目標(biāo)檢測(cè)模型并進(jìn)行模型訓(xùn)練。批次選取太小會(huì)引起訓(xùn)練震蕩，因此選取批次大小為4。訓(xùn)練輪數(shù)為100輪，前50輪為凍結(jié)訓(xùn)練，后50輪為解凍訓(xùn)練，訓(xùn)練100輪左右時(shí)，損失值趨于穩(wěn)定，訓(xùn)練效果達(dá)到最優(yōu)。

3.2?數(shù)據(jù)集

采用公開(kāi)火焰數(shù)據(jù)集（http：∥www.yongxu.org/databases.html），數(shù)據(jù)集中共有2?688張圖片，對(duì)目標(biāo)位置的標(biāo)注格式為T(mén)XT文件，實(shí)驗(yàn)過(guò)程中將TXT文件轉(zhuǎn)換成XML文件。輸入圖片大小為640×640。

為了使錨框的大小更符合數(shù)據(jù)集的目標(biāo)尺寸，通過(guò)K＼|means聚類(lèi)分析法重新尋找合適火焰目標(biāo)的聚類(lèi)中心，生成適合本數(shù)據(jù)集的9個(gè)錨框，位置分別為（26，41）、（29，126）、（68，72）、（73，140）、（129，126）、（96，228）、（182，205）、（192，375）、（400，393），錨框的分布如圖6所示，橫、縱坐標(biāo)為所有圖片的尺寸范圍，圖6中的符號(hào)“×”表示目標(biāo)的聚類(lèi)錨框中心。錨框尺寸整體符合數(shù)據(jù)集中火焰目標(biāo)框的尺寸分布，以提升算法訓(xùn)練性能。

3.3?評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)采用目標(biāo)檢測(cè)中常用的5個(gè)性能評(píng)價(jià)指標(biāo)對(duì)模型的檢測(cè)性能進(jìn)行驗(yàn)證，分別為精度（Precision，?P）、召回率（Recall，?R）、F1分?jǐn)?shù)（F1?Score，?F1），平均精度（Average?Precision，?AP）、平均精度均值（mean?Average?Precision，?mAP），其計(jì)算公式如下：

P=TPTP+FP[JZ）][JY]（1）

R=TPTP+FN[JZ）][JY]（2）

F1=2PRP+R[JZ）][JY]（3）

AP=∫10PdR[JZ）][JY]（4）

mAP=∑Ni=1APiN[JZ）][JY]（5）

其中：TP為將正樣本預(yù)測(cè)為正的個(gè)數(shù)，F(xiàn)P為將負(fù)樣本預(yù)測(cè)為正的個(gè)數(shù)，F(xiàn)N為將正樣本預(yù)測(cè)為負(fù)的個(gè)數(shù)。對(duì)所有類(lèi)別的AP取平均值得到mAP，用于對(duì)整個(gè)目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的檢測(cè)性能進(jìn)行評(píng)價(jià)；N為類(lèi)別的個(gè)數(shù)。由于只有火焰一類(lèi)目標(biāo)，因此實(shí)驗(yàn)中采用的評(píng)價(jià)指標(biāo)為mAP，該值越高，表示模型檢測(cè)性能越好。

3.4?結(jié)果對(duì)比與分析

在火焰數(shù)據(jù)集上，構(gòu)建了3個(gè)單一位置插入注意力機(jī)制的網(wǎng)絡(luò)模型，分別為YOLOv7_M1_Attention、YOLOv7_M2_Attention及YOLOv7_M3_Attention網(wǎng)絡(luò)模型。3種模型與YOLOv7網(wǎng)絡(luò)模型性能對(duì)比如表1所示，單一位置插入注意力機(jī)制的網(wǎng)絡(luò)模型的性能指標(biāo)整體優(yōu)于YOLOv7網(wǎng)絡(luò)模型的性能指標(biāo)，這也證明了SE注意力機(jī)制對(duì)提高YOLOv7網(wǎng)絡(luò)模型的綜合性能是有效的。

從表1中的數(shù)據(jù)可以看出，①位置點(diǎn)插入的YOLOv7_M1_Attention的mAP比YOLOv7的mAP提高了0.12百分點(diǎn)，②位置點(diǎn)插入的YOLOv7_M2_Attention的mAP比YOLOv7的mAP提高了1.25百分點(diǎn)，③位置點(diǎn)插入的YOLOv7_M3_Attention的mAP比YOLOv7的mAP提高了1.35百分點(diǎn)。分析該結(jié)果可能是因?yàn)镸1位置位于網(wǎng)絡(luò)的淺層部分，卷積深度不高，網(wǎng)絡(luò)提取的目標(biāo)特征較少，使得注意力機(jī)制并未能充分發(fā)揮其加強(qiáng)有效特征、抑制無(wú)關(guān)噪聲的作用。在M2和M3位置上，隨著網(wǎng)絡(luò)層數(shù)不斷加深，網(wǎng)絡(luò)提取的目標(biāo)越多，對(duì)提升網(wǎng)絡(luò)模型檢測(cè)性能的作用越大。

在相同的實(shí)驗(yàn)環(huán)境中，對(duì)比引入注意力機(jī)制融合的YOLOv7_Attention和YOLOv7，性能對(duì)比結(jié)果如表2所示，改進(jìn)后的方法相比于原方法，mAP提升了1.64百分點(diǎn)，并且均優(yōu)于表1中單一位置點(diǎn)插入的網(wǎng)絡(luò)模型。結(jié)果表明，基于融合多點(diǎn)注意力機(jī)制的網(wǎng)絡(luò)模型對(duì)火焰特征提取充分，證明了本算法的有效性。

為進(jìn)一步驗(yàn)證本文研究的改進(jìn)算法的有效性，從訓(xùn)練輪數(shù)與mAP和損失函數(shù)的變化情況進(jìn)行評(píng)價(jià)。圖7為YOLOv7和YOLOv7_Attention在訓(xùn)練過(guò)程中的mAP曲線(xiàn)對(duì)比圖，實(shí)驗(yàn)結(jié)果表明，隨著訓(xùn)練輪數(shù)的不斷增加，兩種網(wǎng)絡(luò)模型的mAP曲線(xiàn)整體呈上升趨勢(shì)，最終在100輪左右趨于穩(wěn)定。YOLOv7的mAP為81.39%，YOLOv7_Attention的mAP達(dá)到83.03%，整體提升了1.64百分點(diǎn)。

圖8為YOLOv7與YOLOv7_Attention在訓(xùn)練過(guò)程中損失函數(shù)對(duì)比曲線(xiàn)圖。經(jīng)對(duì)比發(fā)現(xiàn)，改進(jìn)前、后的算法的損失曲線(xiàn)整體都呈現(xiàn)下降趨勢(shì)。隨著訓(xùn)練輪數(shù)的不斷增加，YOLOv7的損失值穩(wěn)定在1.049左右，YOLOv7_Attention的損失值穩(wěn)定在1.038左右。相比于原方法，經(jīng)改進(jìn)的算法的損失值的下降趨勢(shì)更早地趨于穩(wěn)定。

為對(duì)比算法改進(jìn)前、后的檢測(cè)效果，將其應(yīng)用于部分火焰圖片中進(jìn)行測(cè)試。圖9中左邊一列圖片為YOLOv7的檢測(cè)結(jié)果，右邊一列圖片為YOLOv7_Attention的檢測(cè)結(jié)果。圖9（a）為森林火災(zāi)圖片，特點(diǎn)是小火焰目標(biāo)多、邊緣模糊，右邊的圖片檢測(cè)出更多目標(biāo)。圖9（b）為室內(nèi)火災(zāi)圖片，由于室內(nèi)墻壁反光，使左、右兩邊的圖片檢測(cè)均受到影響，但右邊圖片相比于左邊圖片，檢測(cè)結(jié)果更準(zhǔn)確。圖9（c）為城市火災(zāi)圖片，特點(diǎn)是火焰覆蓋面大，右邊圖片中的檢測(cè)范圍相比于左邊圖片精準(zhǔn)度更高。實(shí)驗(yàn)結(jié)果表明，融合注意力機(jī)制后，網(wǎng)絡(luò)模型能提取到更深層、更有效的特征，對(duì)原算法漏檢的邊緣模糊的小火焰目標(biāo)達(dá)到了較好的檢測(cè)效果。

4?結(jié)論（Conclusion）

本研究選取SE注意力機(jī)制，研究其不同插入點(diǎn)對(duì)YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)的影響，提出一種融合多點(diǎn)注意力機(jī)制的YOLOv7_Attention的火焰檢測(cè)算法。在公開(kāi)的火焰數(shù)據(jù)集上進(jìn)行相關(guān)實(shí)驗(yàn)的結(jié)果表明，注意力模塊插入點(diǎn)所在網(wǎng)絡(luò)深度越深，提取的火焰網(wǎng)絡(luò)特征就越充分。融合不同位置的注意力機(jī)制的YOLOv7_Attention方法相比于YOLOv7算法，mAP提高了1.64百分點(diǎn)，檢測(cè)效果顯著提升。

后續(xù)，將研究多層注意力機(jī)制對(duì)網(wǎng)絡(luò)模型的影響。此外，目前使用的公開(kāi)火焰數(shù)據(jù)集不夠充分，下一步將進(jìn)一步擴(kuò)充有效的火焰數(shù)據(jù)集。

參考文獻(xiàn)（References）

［1］?ZHAO?Y?J，ZHANG?H?B，ZHANG?X?L，et?al.?Fire?smoke?detection?based?on?target＼|awareness?and?depthwise?convolutions［J］.?Multimedia?tools?and?applications，2021，80（18）：27407＼|27421.

［2］?JIN?Z?Y，ZAI?W?J，HUANG?J?Y，et?al.?Monitoring?of?smoking?behavior?in?construction?sites?of?the?power?system［C］∥IEEE.?Proceedings?of?the?IEEE：2023?Panda?Forum?on?Power?and?Energy.?Piscataway：IEEE，2023：1471＼|1475.

［3］?GIRSHICK?R，DONAHUE?J，DARRELL?T，et?al.?Rich?feature?hierarchies?for?accurate?object?detection?and?semantic?segmentation［C］∥ACM.?Proceedings?of?the?2014?IEEE?Conference?on?Computer?Vision?and?Pattern?Recognition.?New?York：ACM，2014：580＼|587.

［4］?LIU?W，ANGUELOV?D，ERHAN?D，et?al.?SSD：single?shot?multiBox?detector［C］∥Springer：European?Conference?on?Computer?Vision.?Cham：Springer，2016：21＼|37.

［5］?REDMON?J，DIVVALA?S，GIRSHICK?R，et?al.?You?only?look?once：unified，real＼|time?object?detection［C］∥IEEE.?Proceedings?of?the?IEEE：2016?IEEE?Conference?on?Computer?Vision?and?Pattern?Recognition.?Piscataway：IEEE，2016：779＼|788.

［6］?REDMON?J，F(xiàn)ARHADI?A.?YOLO9000：better，faster，stronger［C］∥IEEE.?Proceedings?of?the?IEEE：2017?IEEE?Conference?on?Computer?Vision?and?Pattern?Recognition.?Piscataway：IEEE，2017：6517＼|6525.

［7］?張富凱，楊峰，李策.?基于改進(jìn)YOLOv3的快速車(chē)輛檢測(cè)方法［J］.?計(jì)算機(jī)工程與應(yīng)用，2019，55（2）：12＼|20.

［8］?嚴(yán)云洋，朱曉妤，劉以安，等.?基于Faster?R＼|CNN模型的火焰檢測(cè)［J］.?南京師大學(xué)報(bào)（自然科學(xué)版），2018，41（3）：1＼|5.

［9］?HAN?L?S，RONG?L?L，LI?Y?Q，et?al.?CA＼|SSD＼|based?real＼|time?smoking?target?detection?algorithm［C］∥ACM.?Proceedings?of?the?2021?5th?International?Conference?on?Digital?Signal?Processing.?New?York：ACM，2021：283＼|288.

［10］?楊天宇，王海瑞.?基于改進(jìn)YOLOv3融合特征的火焰目標(biāo)檢測(cè)方法［J］.?農(nóng)業(yè)裝備與車(chē)輛工程，2022，60（11）：68＼|72.

［11］?徐巖，李永泉，郭曉燕，等.?基于YOLOv3＼|tiny的火焰目標(biāo)檢測(cè)算法［J］.?山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（6）：95＼|103.

［12］?XU?R?J，LIN?H?F，LU?K?J，et?al.?A?forest?fire?detection?system?based?on?ensemble?learning［J］.?Forests，2021，12（2）：217.

［13］?WANG?C?Y，BOCHKOVSKIY?A，LIAO?H?Y?M.?YOLOv7：trainable?bag＼|of＼|freebies?sets?new?state＼|of＼|the＼|art?for?real＼|time?object?detectors［C］∥IEEE.?Proceedings?of?the?IEEE：2023?IEEE/CVF?Conference?on?Computer?Vision?and?Pattern?Recognition.?Piscataway：IEEE，2023：7464＼|7475.

［14］?祝志慧，何昱廷，李沃霖，等.?基于改進(jìn)YOLOv7模型的復(fù)雜環(huán)境下鴨蛋識(shí)別定位［J］.?農(nóng)業(yè)工程學(xué)報(bào)，2023，39（11）：274＼|285.

［15］?趙偉，沈樂(lè)，徐凱宏.?改進(jìn)YOLOv7算法在火災(zāi)現(xiàn)場(chǎng)行人檢測(cè)中的應(yīng)用［J］.?傳感器與微系統(tǒng)，2023，42（7）：165＼|168.

［16］?HU?J，SHEN?L，SUN?G.?Squeeze＼|and＼|excitation?networks［C］∥IEEE.?Proceedings?of?the?IEEE：2018?IEEE/CVF?Conference?on?Computer?Vision?and?Pattern?Recognition.?Piscataway：IEEE，2018：7132＼|7141.

［17］?肖鵬程，徐文廣，張妍，等.?基于SE注意力機(jī)制的廢鋼分類(lèi)評(píng)級(jí)方法［J］.?工程科學(xué)學(xué)報(bào)，2023，45（8）：1342＼|1352.

［18］?IMAN?M，ARABNIA?H?R，RASHEED?K.?A?review?of?deep?transfer?learning?and?recent?advancements［J］.?Technologies，2023，11（2）：40.

作者簡(jiǎn)介：

張冬梅（1995＼|），女，碩士，助教。研究領(lǐng)域：計(jì)算機(jī)視覺(jué)。

宋子濤（1994＼|），男，碩士，助教。研究領(lǐng)域：機(jī)器學(xué)習(xí)。

范皓鑫（2003＼|），男，本科生。研究領(lǐng)域：計(jì)算機(jī)視覺(jué)。