[發明專利]一種基于YOLOv3的火焰及濃煙檢測方法

在審

• 申請號: 201911197998.8
• 申請日: 2019-11-29
• 公開（公告）號: CN111091072A
• 公開（公告）日: 2020-05-01
• 發明（設計）人: 錢惠敏;施非;周軍;黃浩乾;盧新彪
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F16/951;G06N3/04;G06N3/08;G06T5/00;G08B17/12
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

1.一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：包括以下步驟：

步驟1，收集包含火焰和濃煙的圖像，分別建立火焰初始數據集和濃煙初始數據集；

步驟2，分別對火焰和濃煙初始數據集中的圖像進行數據增強操作以擴充數據集，對擴充后數據集進行標注，按隨機方式分別從擴充后的火焰和濃煙數據集中選擇p％作為火焰訓練數據集和濃煙訓練數據集，對應數據集的剩余部分分別作為火焰測試數據集和濃煙測試數據集；

步驟3，使用火焰訓練數據集和濃煙訓練數據集分別訓練YOLOv3卷積神經網絡，得到火焰檢測模型和濃煙檢測模型，并通過模型融合得到火焰和煙霧融合檢測模型；

步驟4，在現有視頻監控系統中增加火焰和煙霧檢測模塊；

步驟5，基于視頻監控系統的攝像頭實時采集監控場景視頻，并基于ffmpeg框架從視頻中提取圖像幀；

步驟6，采用融合檢測模型對每幀圖像進行檢測，確定圖像中有無火焰及濃煙并標出它們的位置；

步驟7，當檢測到火焰或濃煙時，將檢測結果圖像傳回監控終端并報警，聯動自動消防設備，攝像頭對火情實時監控。

2.根據權利要求1所述的一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：所述步驟1具體包括：

步驟1-1，通過自行拍攝和網上爬蟲獲得包含火焰和濃煙的圖像和視頻；

步驟1-2，采用ffmpeg框架從火焰視頻中提取火焰和濃煙圖像幀，對所有圖像標注火焰和濃煙區域，分別生成VOC格式的火焰數據集和濃煙數據集。

3.根據權利要求1所述的一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：所述步驟3具體包括：

步驟3-1，在tensorflow平臺下，分別采用火焰訓練集和濃煙訓練集訓練YOLOv3模型；YOLOv3卷積神經網絡以數據集中的二維圖像作為輸入，以與輸入二維圖像上對應目標的位置和類別預測置信度為輸出；

步驟3-2，依據選擇的損失函數，利用梯度下降反向傳播方法，對YOLOv3模型中的深度卷積神經網絡的參數進行迭代更新，將迭代至最大設定次數后得到的網絡參數作為最優的網絡參數，完成訓練，得到初步的火焰檢測模型和濃煙檢測模型；

步驟3-3，使用測試集對初步的火焰檢測模型和濃煙檢測模型分別進行測試，根據測試結果調整網絡結構，將無法檢測或檢測錯誤的圖片加入訓練集，并重新訓練直至測試結果達到預期為止，得到最終的火焰檢測模型和濃煙檢測模型；

步驟3-4，取并集融合火焰檢測模型和濃煙檢測模型的結果，得到火焰和煙霧融合檢測模型。

4.根據權利要求1所述的一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：所述步驟5具體包括：

步驟5-1，攝像頭通過無線或硬件接線的方式與計算機連接，將實時拍攝的視頻輸入計算機；

步驟5-2，基于ffmpeg框架每n幀提取一張圖像，當現場環境的光通量、亮度和照度效果不滿足預期時對提取的圖像進行預處理操作；所述預處理操作包括去噪、對比度增強、亮度和飽和度調整。

5.根據權利要求1-4任一所述的一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：所述YOLOv3卷積神經網絡，使用Darknet-53基礎卷積網絡。

6.根據權利要求5所述的一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：所述YOLOv3卷積神經網絡，采用3個不同尺度的特征圖進行對象檢測，低層的特征圖是第26層卷積層的輸出，檢測到的火焰/濃煙區域的長寬小于原圖像尺寸的0.1；高層的特征圖是第52層卷積層的輸出，檢測到的火焰/濃煙區域的長寬超過原圖像尺寸的0.5；中層的特征圖是第43層卷積層的輸出，檢測到的火焰/濃煙區域的長寬不小于原圖像尺寸的0.1且不超過原圖像尺寸的0.5。

7.根據權利要求6所述的一種基于YOLOv3的火焰及濃煙檢測方法，其特征在于：所述YOLOv3卷積神經網絡，使用了9個尺度的先驗框，分別是：(10×13)，(16×30)，(33×23)，(30×61)，(62×45)，(59×119)，(116×90)，(156×198)，(373×326)。