邓实强, 丁浩, 蒋树屏, 杨孟, 刘帅, 陈建忠, 李文锋
隧道火灾快速感知可为隧道运营安全提供重要保障，并为隧道应急处置提供关键性决策信息。然而，现有的视频图像火灾烟雾检测方法在公路隧道复杂环境下存在准确性和时效性问题，并且缺乏基础视频图像数据。为此，通过开展实体公路隧道火灾试验，创建高清视频图像数据集，以真实隧道场景下模拟的火灾烟雾视频图像为研究对象，提出一种基于改进YOLOv5s的智能检测算法。在模型中，使用增强后的Mosaic方法对训练数据进行增强处理；引入Transformer Encoder模块增强网络全局特征提取的能力，改善较小烟雾目标特征提取较为困难的状况，以提升网络性能；利用最新的轻量级卷积方法GSConv替换掉部分卷积模块Conv，减少网络参数的同时保持网络性能，达到压缩网络目的；添加轻量级高效通道注意力模块ECA，通过局部跨通道交互策略缓解监控摄像机距目标较远与火灾初期烟雾漏检问题，在少参数量增加的情况下进一步提升网络性能；采用CIoU损失函数与SiLU激活函数的组合使网络更快得到收敛。为验证所提算法的有效性，选用YOLOv3、YOLOv3-efficientnet、YOLOv5s、YOLOX、YOLOv7、YOLOv7-tiny、SSD七种目标检测算法进行对比分析。结果表明：在自建的公路隧道火灾烟雾数据集上，所提算法的检测精确度达到97.27%，mAP@0.5为97.85%。尽管在原网络基础上提升的幅度仅为1.83%和1.13%，但相较于其他7种对比算法，所提算法对远距离和火灾初期的小尺寸烟雾目标有更好的检测效果，明显改善了漏检情况。此外，算法的检测速度为86.2 帧·s-1，能够满足隧道火灾检测的时效性要求，同时利用重庆真武山隧道火灾视频验证了算法的可靠性，研究结果可为实现隧道复杂环境下的火灾快速感知提供技术支持。
