[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

本發(fā)明針對(duì)傳統(tǒng)火災(zāi)檢測(cè)方法識(shí)別率低、檢測(cè)時(shí)間長(zhǎng)、無(wú)法實(shí)時(shí)監(jiān)測(cè)等問(wèn)題，提出一種基于改進(jìn)YOLOv3算法的新火災(zāi)識(shí)別檢測(cè)方法YOLOv3?CA。YOLOv3?CA基于YOLOv3的基本結(jié)構(gòu)，在網(wǎng)絡(luò)的卷積模塊中添加注意力機(jī)制模塊，以增加特征提取的效果。另引入自適應(yīng)空間特征融合方法來(lái)更加充分的利用高層特征的語(yǔ)義信息和底層特征的細(xì)粒度特征。在模型回歸部分引入新的損失函數(shù)Focalloss。檢測(cè)方法步驟如下：構(gòu)建火災(zāi)數(shù)據(jù)集；標(biāo)注用于訓(xùn)練的數(shù)據(jù)集；按比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；提出一種新的YOLO算法；訓(xùn)練修改后的深度卷積神經(jīng)網(wǎng)絡(luò)；利用訓(xùn)練好的模型在測(cè)試集上驗(yàn)證模型效果。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法的準(zhǔn)確率和召回率分別為85.99％、75.43％，mAP為81.57，fps為25，可以在保證準(zhǔn)確率的同時(shí)實(shí)現(xiàn)快速實(shí)時(shí)的火災(zāi)檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能中的計(jì)算機(jī)視覺(jué)領(lǐng)域，它是一種通過(guò)改進(jìn)YOLOv3來(lái)進(jìn)行火災(zāi)檢測(cè)的方法，本質(zhì)上是對(duì)圖像上的火焰進(jìn)行識(shí)別和定位。

背景技術(shù)

目前，火災(zāi)已經(jīng)成為威脅生命財(cái)產(chǎn)和自然環(huán)境的一項(xiàng)重大威脅。有效地檢測(cè)火災(zāi)發(fā)生情況，對(duì)相關(guān)人員及時(shí)救火搶險(xiǎn)，消滅威脅，減小損失有這積極的意義。

傳統(tǒng)的火災(zāi)檢測(cè)一種方法是依靠人力看守，巡查，該方法一方面需要消耗大量人力，另一方面會(huì)因天氣，壞境，地形，巡查人員的身體狀況的情況的影響而制約了檢測(cè)效率，甚至出現(xiàn)漏查的現(xiàn)象。

另一種方法是使用火災(zāi)感應(yīng)器檢測(cè)火災(zāi)。火災(zāi)感應(yīng)器通過(guò)內(nèi)置的熱量、煙霧感應(yīng)器等判斷火情的發(fā)生來(lái)進(jìn)行報(bào)價(jià)，該方法目前廣泛運(yùn)用于火災(zāi)檢測(cè)中。然而，火災(zāi)檢測(cè)器在實(shí)際運(yùn)用中具有一定的局限性。由于火災(zāi)檢測(cè)器接觸性檢測(cè)的性質(zhì)，檢測(cè)器必須要等火災(zāi)發(fā)生了一定時(shí)間后，產(chǎn)生了大量火光煙霧后才能識(shí)別為發(fā)生了火災(zāi)，且無(wú)法清楚的感知到火災(zāi)的大小、詳細(xì)位置。

為了解決這個(gè)問(wèn)題，檢測(cè)器必須大量進(jìn)行鋪設(shè)以保證檢測(cè)的精準(zhǔn)度，但在森林，倉(cāng)庫(kù)等地方這是很難實(shí)現(xiàn)的，因此，需要一種低成本、高效率的檢測(cè)方法。

發(fā)明內(nèi)容

為了克服傳統(tǒng)火災(zāi)檢測(cè)技術(shù)的缺陷和不足，一種基于改進(jìn)YOLOv3的火災(zāi)檢測(cè)識(shí)別方法，其實(shí)現(xiàn)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。

改進(jìn)YOLOv3損失函數(shù)，修改后的損失函數(shù)如下式所示：

針對(duì)YOLOv3算法在火災(zāi)檢測(cè)方面的不足，本發(fā)明提出加入注意力機(jī)制SE 模塊、引入自適應(yīng)空間特征融合以及改進(jìn)損失函數(shù)等想法，并通過(guò)實(shí)驗(yàn)證明了各種想法的可行性。性能相比Faster R-CNN、YOLOv3有了很大的一些提升。

附圖說(shuō)明

圖1火災(zāi)圖片標(biāo)注

圖2 SE殘差模塊

圖3 P-R曲線