摘要：电气火灾中金属短路熔痕种类的判别对火灾成因分析有着至关重要的作用，针对电气火灾中金属短路熔痕种类鉴别流程复杂、主要依靠专家经验等问题，提出一种改进YOLOv5s的轻量级金属短路熔痕检测方法，在保证精度前提下，提升检测效率，满足嵌入式设备需求。首先采用MobileNetV3轻量化网络替换YOLOv5s的主干网络，并将MobileNetV3中SE注意力机制进行轻量化改进，使得主干网络轻量化。将Neck网络中的Conv模块和C3模块改进为GSConv模块和VoV-GSCSP模块，使得颈部网络轻量化。采用一种对锚框质量动态评估的边框回归损失Wise-IoU，提高边框回归的整体性能。实验结果表明改进后网络mAP 0.5有所提升，达到91.4%，参数量变为原来的9.5%，为后续金属短路熔痕的识别和移动端部署提供了参考和依据。
关键词：金属短路熔痕,识别,深度学习,轻量化,损失函数
0引言
根据我国火灾事故统计，每年电气火灾平均发生的次数占每年火灾平均总发生次数的27%，其中80%为重特大火灾，并且由电气火灾造成的损失占火灾总损失的53%[1]。在电气火灾中，室内导线的短路故障是造成电气火灾的主要发生原因，在鉴定短路故障引发电气火灾的证据收集过程中，短路熔痕的鉴定是证明电气火灾的主要关键证据之一[2]。电气火灾相关痕迹物证是火灾调查及物证鉴定人员研究的重点，火灾金属短路熔痕的类别鉴定对分析火灾原因和火灾事故认定至关重要。随着人们知识水平提高和法律意识的普遍增强，因火灾而造成的灾后索赔、诉讼等一系列维权行为越来越多，所牵扯到的关系也越来越复杂，因此科学、准确地认定火灾原因已是必需的程序。
随着科技的不断发展和消防技术的不断进步，一些学者开始采用新的方法对短路熔痕进行鉴定研究并逐渐对金属短路熔痕的鉴定有了一定的认知和经验积累，在此基础上建立了国家标准GB/T 16840《电气火灾原因技术鉴定方法》。目前国内学者对金属熔痕的鉴定主要有金相分析法、X射线光电子能谱、扫描电子显微镜（SEM）微观形貌分析法等。金相分析目前是我国主要的金属熔痕鉴定方式，我国科研人员对金相分析方法不断进行探索性研究并形成了相关国家标准，标准中对短路熔痕之间的金相微观组织区别做出了定性描述但缺乏相关对照标准图谱。各个火灾物证鉴定机构各自依据相关工作人员积累的经验开展工作，没有一个统一标准和量化依据，在同一个金相图片鉴定中，不同的鉴定人员可能得出不同的结论[3]。
对此本文提出新的鉴定方式，使用深度学习目标检测网络对金属短路熔痕进行识别，并将模型进行轻量化改进，为后期将改进后网络部署在嵌入式移动设备上提供参考。
1 YOLOv5s算法原理
近年来，深度学习目标检测网络模型得到了快速的发展。目前比较主流的目标检测模型分为一阶段模型（one-stage）和二阶段模型（two-stage）。其中，二阶段模型目标检测方法主要以Faster R-CNN[4]、R-CNN[5]、Fast R-CNN[6]为主，二阶段目标检测算法模型其检测正确率高，但检测速度慢。一阶段模型目标检测方法主要以SSD[7]和YOLO[8-11]为主，一阶段目标检测算法模型采用回归的思想，其检测速度更快，在保证检测速度的前提下其检测精度也得到了保证更适合在移动端进行轻量化部署。
根据主干网络C3模块卷积核数量不同可以分为YO⁃LOv5n、YOLOv5s、YOLOv5m、YOLOv5v5l等版本，综合计算量和检测正确率YOLOv5s更适合在移动端的部署和检测。近年来随着深度学习目标检测网络模型的快速发展，YOLO系列模型不断更新迭代，目前已推出YOLOv7、YOLOv8目标检测网络[12]。后期这些模型都是在YOLOv5网络的基础上进行改进整体相差不大，并且目前的目标检测模型部署和加速以YOLOv5居多，因此本文所提出的算法是基于YOLOv5s-6.0版本基础上进行改进。YOLOv5s网络结构如图1所示，主要由输入端、Backbone、Neck和Head四部分组成。输入端具有自适应锚框、数据增强的功能，在一定程度上提高了网络模型的检测能力。主干网络使用多个C3模块提取图像特征，并在最后使用空间金字塔池化结构（SPPF）融合不同感受野的特征图。Neck网络起到了对主干网络提取的特征进行融合的作用。Head检测层是用来对特征金字塔进行目标检测的部分，分别有着解码预测和判断最优预测框的功能。
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/81041.html
