标题：基于可变形卷积YOLOv9s的烟雾火灾检测
作者：石刘胜杰
作者单位：南京理工大学自动化学院，江苏 南京 210094
关键字：烟雾火灾检测；YOLOv9；目标监测；可变形卷积；AKConv；HWD；Efficient-Attention
摘要：目前对于多场景烟雾和火灾检测，传统的深度学习方法在输入数据逐层进行特征提取和空间变换时，会丢失大量的信息，使得检测结果往往精度低，漏检率与误检率高。为解决这一问题，提出一种基于改进的YOLOv9烟雾检测模型：将现阶段刚提出的可变形卷积（AKConv）模型与YOLOv9中的RepNCSPELAN4模块进行融合，从而提高模型在不同场景下对烟雾边界和火焰特征捕捉的能力，极大地降低了漏检率。将HWD（Haar-Wavelet-DownSampling）替换了ADown中的Conv模块，提高模型对不同烟雾火灾场景的学习能力，并在YOLOv9s模型的头部网络（Head）尾部加入Efficient-Attention注意力机制模块，该模块可使相同资源下，能够有更高的准确度，可增强本次模型的泛化能力。通过实验数据表明：改进后的模型可以更好地适应多种复杂场景，并且能够做到高精度准确地检测目标，同时满足了模型的对于检测实时性的要求。