[發明專利]一種基于改進可變形卷積的Faster RCNN火災煙霧檢測方法

在審

• 申請號: 202011615159.6
• 申請日: 2020-12-30
• 公開（公告）號: CN112749644A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 王琳;黃先達
• 申請（專利權）人: 大連海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜威威;李洪福

本發明公開了一種基于改進可變形卷積的Faster RCNN火災煙霧檢測方法，屬于圖像處理技術領域，該方法包括以下步驟：獲取火災煙霧檢測數據集，并進行數據集擴充，將改進的可變形卷積方式應用到Faster RCNN特征提取主干網絡中，將擴充后的數據集輸入到具有改進的可變形卷積方式的Faster RCNN特征提取主干網絡中將進行特征提取，得到不同卷積塊對應的特征圖，對不同卷積塊對應的特征圖進行融合；將融合后的特征圖輸入到RPN網絡中進行初步的煙霧識別，得到煙霧檢測數據集中每個圖片的煙霧候選框；分類回歸網絡基于煙霧候選框和提取到煙霧特征，對煙霧進行最終的識別和定位；通過特征融合的操作將淺層的細節特征和高層的語義特征進行融合，提高了網絡對于小目標的檢測能力。

技術領域

本發明涉及圖像處理技術領域尤其涉及一種基于改進可變形卷積的Faster RCNN火災煙霧檢測方法。

背景技術

一般而言，火災的演變分為四個階段：不可見階段、可見煙霧階段、明火階段和擴散階段。為了將火災造成的損失降到最低，火災預警工作通常集中在前兩個階段。傳統的火災檢測主要使用溫度傳感器、氣體傳感器等傳感器來分析環境溫度、煙霧顆粒等參數來判斷是否發生火災。但是這些檢測方法局限性十分明顯，這些傳感器必須很靠近火點的情形下才能發出預警，所以這就需要大面積高密度的安裝傳感器，使得整個系統過于復雜，性價比低。隨著科技的進步，基于視頻和圖像的火災煙霧檢測算法成為研究熱門。煙霧具有明顯的顏色、紋理、邊緣、動態等視覺特征。所以基于視頻和圖像的檢測算法都是通過對煙霧的上述特征進行提取和分類達到煙霧檢測的目的；但是這些特征的設定是基于特定的場合，魯棒性差；深度學習在圖像領域的迅速發展，擺脫了手工設置特征，使得魯棒性更強，所以目前主要采用基于深度學習的方法進行煙霧檢測，通過神經網絡的自主學習煙霧的特征，有效的提高煙霧檢測的準確率，降低漏檢率和誤檢率。

YOLO模型有較快的檢測速度，但是檢測精度較低；Faster RCNN有較高的檢測精度；可變形卷積適應對象幾何變化的能力可能遠遠超出了感興趣區域，而我們的方法可以有效的限制自由采樣的偏移范圍，使得采樣區域更好的集中在目標區域。

CN110197255A一種基于深度學習的可變形卷積網絡，可變形卷積模塊簡單的將二維偏移量添加到標準卷積中的常規網格采樣的位置，使得采樣網格可以自由變形，偏移量是從前一層特征映射中通過卷積層得到；可變形ROI池化模塊為池化層中每一個小分區位置添加一個偏移量，偏移量能從前面的特征映射和感興趣區域中學習。

目前火災煙霧數據集還不完善，給基于深度學習的火災煙霧檢測技術帶來了困難，我們通過圖像合成等技術擴充火災煙霧數據集?，F有火災煙霧檢測技術對于稀薄煙霧和遠距離小目標煙霧還存在較大的漏檢，我們的改進方法可以有效的降低漏檢率。

發明內容

根據現有技術存在的問題，本發明公開了一種基于改進可變形卷積的FasterRCNN火災煙霧檢測方法，包括以下步驟：

S1:獲取火災煙霧檢測數據集，并進行數據集擴充；

S2:根據火災煙霧特有的非剛性形態，將改進的可變形卷積方式應用到FasterRCNN特征提取主干網絡中，將擴充后的數據集輸入到具有改進的可變形卷積方式的FasterRCNN特征提取主干網絡中將進行特征提取，得到不同卷積塊對應的特征圖，對不同卷積塊對應的特征圖進行融合；

S3:將融合后的特征圖輸入到RPN網絡中進行初步的煙霧識別，得到煙霧檢測數據集中每個圖片的煙霧候選框；

S4：分類回歸網絡基于煙霧候選框和提取到的煙霧特征，對煙霧進行最終的識別和定位。

進一步地：所述改進的可變形卷積方式應用到特征提取主干網絡中的過程如下：

所述Faster RCNN特征提取主干網絡中可變形卷積模塊是將二維偏移量加入到標準卷積中的常規網格采樣的位置，使得采樣網格自由變形；