فهرست نشریات علمی دسترسی آزاد ایران

مدل YOLOv8-nano به‌عنوان یک شبکه سبک برای تشخیص اشیاء در زمان واقعی طراحی‌شده است، اما در شناسایی اشیاء کوچک مانند آتش و دود محدودیت دارد. در این مطالعه، مدل پیشنهادی با گسترش هرم ویژگی‌ها به مقیاس P2، افزودن ماژول توجه CBAM در لایه‌های میانی و عمیق، و جایگزینی کانولوشن استاندارد با GhostConv در مسیر PAN، عملکرد مدل برای اشیاء کوچک بهبودیافته است. مقیاس P2 جزئیات مکانی اشیاء کوچک را حفظ کرده و مسیر FPN اطلاعات معنایی از لایه‌های عمیق‌تر را منتقل می‌کند. ماژول CBAM با ترکیب توجه کانالی و مکانی، ویژگی‌های مرتبط با اشیاء کوچک را تقویت و نویز پس‌زمینه را کاهش می‌دهد GhostConv نیز با کاهش پارامترها و پیچیدگی محاسباتی، بهره‌وری مدل را افزایش می‌دهد. نتایج آزمایش روی مجموعه داده‌ها نشان می‌دهد مدل پیشنهادی تعادل بهینه‌ای بین دقت تشخیص و هزینه محاسباتی ارائه می‌دهد، و از نظر دقت نسبت به YOLOv8-n در کاربردهای زمان واقعی عملکرد بهتری دارد. این نتایج نشان می‌دهد که معماری بهینه‌شده می‌تواند راهکاری مؤثر برای تشخیص اشیاء کوچک در محیط‌های پیچیده ارائه دهد.