[發明專利]一種基于深度學習的煙霧檢測方法

在審

• 申請號: 202110542645.8
• 申請日: 2021-05-18
• 公開（公告）號: CN113537226A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 孟慶松;趙德偉
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的煙霧檢測方法，其特征在于：它的檢測方法如下：

步驟一、改進的混合高斯與YOLOv3融合煙霧檢測算法：

分為兩部分；第一部分利用改進的混合高斯算法對視頻每幀進行像素匹配，得到相應的靜態背景和動態前景,然后按照一定規律對動態前景進行提取,得到粗篩選后的煙霧前景；第二部分主要采用YOLOv3目標檢測算法，提取煙霧特征并進行二次細篩選；利用YOLOv3提取煙霧特征時,把預處理后的煙霧數據集作為模型的輸入，在模型中進行反復訓練和調整參數，最后生成表征煙霧特征的權重，并在粗篩選得到的煙霧前景中進行調用，對煙霧區域進行二次細篩選,最終框定出視頻煙霧的具體位置和范圍，從而有效的對煙霧進行檢測；

(1.1)、改進混合高斯煙霧前景提取：

(1.1.1)、視頻當前幀的像素點與高斯分布進行匹配，若滿足式(1-2)，則像素點與高斯分布匹配，若不滿足，則說明不匹配；

|X_i,t-μ_i|＜2.5σ_i (1-2)

(1.1.2)、若匹配成功，則用此像素點來更新高斯背景模型，更新的公式為式(1-3)、式(1-4)和式(1-5)：

ω_i,t＝(1-α)ω_i-1+α(M_i,t) (1-3)

μ_i,t＝(1-θ)μ_i,t-1+θX_t (1-4)

σ²_i,t＝(1-θ)σ²_i,t-1+θ(X_t-μ_i,t-1)^T(X_t-μ_i,t-1) (1-5)

式中，α為學習率；M_i,t用來控制多個高斯分布的權值變化；當匹配成功時，M_i,t＝1；匹配失敗時，M_i,t＝0；α和θ可以反映高斯適應不同場景的能力；

(1.1.3)、若與任一個高斯分布都不匹配，則增加一個高斯分布或者更新高斯分布來取代優先級最小的分布；

K個高斯分布按照優先級從高到低排列為式(1-6)：

(1.1.4)、高斯模型更新參數后，按照優先級對像素點的K個高斯分布進行排列，并取前B個高斯分布作為背景像素的理想描述：

式中,ω_k表示一個像素中第K個高斯函數的權值；T一般取0.5到1之間，這里取經驗值0.85，繼續對X_i,t與上述B個高斯分布做匹配測驗，與前B個高斯分布任一個相匹配則為前景，反之則為背景；

(1.2)、YOLOv3模型與訓練：

通過在一個神經網絡模型中進行預測目標區域和目標類別；YOLOv3采用了新的ResNet思想的darknet-53網絡結構，在網絡中加入殘差模塊，并采用3個不同尺度的特征圖來進行對象檢測，能夠檢測到更加細粒度的特征；

步驟二、基于改進YOLOv3的煙霧檢測算法：

將通道注意力機制嵌套在YOLOv3網絡結構中殘差卷積塊Residual Block的最后一層，在煙霧目標檢測中，當兩個或者兩個以上目標框接近時，分數更低的框就會因為與之重疊面積過大而被刪掉，NMS的閾值需要手動確定，設置小了會漏檢，設置大會誤檢，將非極大值抑制改為Soft-NMS。

2.根據權利要求1所述的一種基于深度學習的煙霧檢測方法，其特征在于：所述Soft-NMS為在煙霧檢測中，首先產生一些煙霧候選區域，其次通過分類網絡得到類別得分，與此同時通過回歸網絡得到更加精確的位置參數，最后通過非極大值抑制得出最后的檢測結果。