[發(fā)明專(zhuān)利]基于改進(jìn)YOLOv3的火災(zāi)檢測(cè)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110399557.7
• 申請(qǐng)日: 2021-04-14
• 公開(kāi)（公告）號(hào): CN112884090A
• 公開(kāi)（公告）日: 2021-06-01
• 發(fā)明（設(shè)計(jì)）人: 陳潤(rùn)斌;張若楠;蔣博文;張茂巖
• 申請(qǐng)（專(zhuān)利權(quán)）人: 安徽理工大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于改進(jìn)YOLOv3的火災(zāi)檢測(cè)識(shí)別方法，具體步驟如下：

第一步，構(gòu)建火災(zāi)數(shù)據(jù)集：通過(guò)網(wǎng)頁(yè)爬取技術(shù)獲取網(wǎng)絡(luò)上的火災(zāi)圖片，然后對(duì)火災(zāi)圖片進(jìn)行篩選，并用濾波技術(shù)對(duì)篩選好的圖片進(jìn)行圖像增強(qiáng)；處理成功的火災(zāi)圖片一共有2000張，涵蓋了各種環(huán)境，如森林、室內(nèi)、草原等。

第二步，標(biāo)注用于訓(xùn)練的數(shù)據(jù)集：本文使用的算法需要對(duì)標(biāo)注圖像生成的xml文件的信息進(jìn)行讀取，讀取xml文件中圖像的寬高以及標(biāo)注區(qū)域的左上角坐標(biāo)和右下角坐標(biāo)；在標(biāo)注圖片的時(shí)候，我們使用的是labelImg，使用它能夠有效地對(duì)圖像進(jìn)行標(biāo)注，并在標(biāo)注完之后生成VOC格式的xml文件。

第三步，提出一種新的YOLO算法：在YOLOv3的主干網(wǎng)絡(luò)darknet53中引入了SE殘差模塊，同時(shí)在YOLOv3采用FPN的輸出方式的基礎(chǔ)上引入自適應(yīng)空間特征融合技術(shù)。

第四步，訓(xùn)練修改后的深度卷積神經(jīng)網(wǎng)絡(luò)：基于已有的火災(zāi)數(shù)據(jù)集預(yù)訓(xùn)練修改后的神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練時(shí)對(duì)前50個(gè)epoch使用凍結(jié)訓(xùn)練，后50個(gè)epoch進(jìn)行解凍訓(xùn)練。

第五步，利用訓(xùn)練好的模型在測(cè)試集上驗(yàn)證模型效果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，改進(jìn)YOLOv3主干網(wǎng)絡(luò)darknet53，在darknet53中引入SE殘差模塊。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在YOLOv3采用FPN的輸出方式的基礎(chǔ)上引入自適應(yīng)空間特征融合技術(shù)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，改進(jìn)YOLOv3損失函數(shù)，修改后的損失函數(shù)如下式所示：

式中：λ_coord為坐標(biāo)預(yù)測(cè)的懲罰系數(shù)，本發(fā)明中取5；λ_noobj為不包括目標(biāo)時(shí)的置信懲罰系數(shù)，本文取0.5；S²為網(wǎng)格數(shù)，B為每個(gè)單元的預(yù)測(cè)框數(shù)；和表示目標(biāo)是否落入第i單元的第j個(gè)邊界框；x_i，y_i，w_i，h_i分別表示真實(shí)目標(biāo)中心點(diǎn)橫縱坐標(biāo)及寬度和高度；分別表示預(yù)測(cè)的目標(biāo)中心點(diǎn)橫縱坐標(biāo)及寬度和高度；C_i和分別表示第i個(gè)網(wǎng)格中目標(biāo)的真實(shí)置信度和預(yù)測(cè)框的置信度；P_i(c)和分別代表真實(shí)框和預(yù)測(cè)框類(lèi)別的概率值。