火灾是日常生活中最常见的社会灾害之一,会对人类的财产、生命安全造成巨大威胁,如何准
确而快速地发现小面积的烟火点并实时发出预警,对维护正常的社会生产具有重要意义。传统的烟火检测算法
通过识别图像的各种低维视觉特征如颜色、纹理等,进而判断烟火的位置,方法的实时性和精度较差。近些年
深度学习在目标检测领域的成就显著,各种基于深度神经网络的烟火检测方法层出不穷,但大部分深度学习模
型在小目标上的检测效果远不及大目标,而烟火检测任务需要在烟火面积很小时就做出及时地识别和预警,才
能避免火势扩大造成更大的经济损失。对此,基于 YOLOX 模型对激活函数和损失函数做出改进并结合数据增
强算法和交叉验证训练方法,实现了更好的小目标检测算法,在烟火检测数据集上获得了 78.36%的 mAP 值,
相比原始模型提升了 4.2%,并获得了更好的小目标检测效果。