تشخیص آتش سوزی در فضای باز با بهره گیری از مدل بهبودیافته یولو نسخه هشتم نانو

مدل YOLOv۸-nano به عنوان یک شبکه سبک برای تشخیص اشیاء در زمان واقعی طراحی شده است، اما در شناسایی اشیاء کوچک مانند آتش و دود محدودیت دارد. در این مطالعه، مدل پیشنهادی با گسترش هرم ویژگی ها به مقیاس P۲، افزودن ماژول توجه CBAM در لایه های میانی و عمیق، و جایگزینی کانولوشن استاندارد با GhostConv در مسیر PAN، عملکرد مدل برای اشیاء کوچک بهبودیافته است. مقیاس P۲ جزئیات مکانی اشیاء کوچک را حفظ کرده و مسیر FPN اطلاعات معنایی از لایه های عمیق تر را منتقل می کند. ماژول CBAM با ترکیب توجه کانالی و مکانی، ویژگی های مرتبط با اشیاء کوچک را تقویت و نویز پس زمینه را کاهش می دهد GhostConv نیز با کاهش پارامترها و پیچیدگی محاسباتی، بهره وری مدل را افزایش می دهد. نتایج آزمایش روی مجموعه داده ها نشان می دهد مدل پیشنهادی تعادل بهینه ای بین دقت تشخیص و هزینه محاسباتی ارائه می دهد، و از نظر دقت نسبت به YOLOv۸-n در کاربردهای زمان واقعی عملکرد بهتری دارد. این نتایج نشان می دهد که معماری بهینه شده می تواند راهکاری موثر برای تشخیص اشیاء کوچک در محیط های پیچیده ارائه دهد.

کلیدواژه ها:

یادگیری عمیق ، یولو نسخه هشتم ، تشخیص زودهنگام آتش