论文部分内容阅读
针对山火烟雾的检测存在由于监控范围广、发生频率不固定等造成的高成本问题,在边缘计算思维的启发下,提出了一个基于YOLOv5改进的适用于前端布设的轻量级识别网络.该方法针对YOLOv5模型过大的缺陷,通过修改网络结构,将融合了通道注意力机制CoordAttention的Ghostbottleneck模块与YOLOv5结合,提出一种改进型卷积神经网络CG-yolo识别网络.实验结果表明,CG-yolo相对于YOLOv5s算法速度提高了9.5％,查全率提升了1.8％,查准率仅损失1.7％,部署在NVIDIA的Jetson Nano边缘计算平台上时运行速度可以达到13fps,更好地满足了隐患监测的工程实际需求.