[發明專利]一種基于改進YOLO算法的小目標火災檢測方法

在審

• 申請號: 202111162490.1
• 申請日: 2021-09-30
• 公開（公告）號: CN114445729A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 鄭文;要媛媛;武心南;崔佳梅
• 申請（專利權）人: 太原理工大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/764
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 任林芳

本發明屬于計算機視覺及森林火災預防技術領域，具體是一種基于改進YOLO算法的小目標火災檢測方法。包括以下步驟。S100～建立火災數據集，收集火災和煙霧的圖像，包括不同天氣和光線下火焰和煙霧的圖像；S200～標注數據集；S300～建立改進的YOLO?V3算法框架，S400～預訓練網絡，通過所述火災圖像訓練數據集對改進后的YOLO?V3模型進行預訓練，得到不同尺度的預測框。本發明解決了傳統為通用目標檢測而設計的YOLO?V3在檢測小目標時的速度及精度不足的問題。

技術領域

本發明屬于計算機視覺及森林火災預防技術領域，具體是一種基于改進YOLO算法的小目標火災檢測方法。

背景技術

目前，火災的探測大部分依賴于各種傳感器檢測，包括煙霧報警器、溫度報警器和紅外線報警器。雖然這些警報可以發揮作用，但它們存在重大缺陷。首先，必須達到空氣中一定濃度的粒子才能觸發警報。當警報被觸發時，火勢可能已經太強而無法控制，從而達不到預警的目的。其次，大部分報警器只能在封閉的環境中發揮作用，對于戶外或公共場所等空間起不到作用。第三，可能存在誤報。當非火災粒子濃度達到報警濃度時，也會自動發出報警聲。

小目標具有與周圍環境視覺尺寸相對較小的特點，所以小目標的檢測較一般檢測任務具有挑戰性，小目標檢測方面的性能并不理想。這些問題給檢測火災場景下的小目標檢測帶來了巨大的挑戰。

雙階段檢測中以 R-CNN系列為代表，目前使用最廣泛的是Faster R-CNN框架。先由算法生成一系列作為樣本的候選框，再通過卷積神經網絡進行樣本分類。單階段檢測中具有 代 表 性 的 檢 測 框 架 有 YOLO(you only look once)系 列、SSD(single shotmultibox detec-tor)、RetinaNet等。這類方法跳過區域建議（Region Proposal）階段，一次得到最終的定位和內容預測。也就是說區域建議網絡與分類定位完全集成。這樣就可以一定限度地減少冗余計算，提高速度。

發明內容

本發明為了解決傳統為通用目標檢測而設計的YOLO-V3在檢測小目標時的速度及精度不足的問題，提供一種基于改進YOLO算法的小目標火災檢測方法。

本發明采取以下技術方案：一種基于改進YOLO算法的小目標火災檢測方法，包括以下步驟。

S100～建立火災數據集，收集火災和煙霧的圖像，包括不同天氣和光線下火焰和煙霧的圖像；S200～標注數據集；S300～建立改進的YOLO-V3算法框架，使用Darknet-53架構作為基本網絡架構，首先將輸入圖像縮放，再把輸入的火災圖像劃分為S×S個網格，然后使用EfficientNet進行圖像的特征提取，在每個網格單元中進行檢測是否存在火焰或者煙霧；S400～預訓練網絡，通過所述火災圖像訓練數據集對改進后的YOLO-V3模型進行預訓練，將三次深度可分離卷積學習到的特征圖進行上采樣，經過特征金字塔的推動，得到不同尺度的預測框，每個網格預測3個邊界框，并且給出這些邊界框的置信度分數，最后通過非極大抑制對給出的邊界框進行篩選；置信度反應了網格是否包含對象，以及包含對象時預測邊界框的準確性，當多個邊界框同時檢測到一個目標時，YOLO網絡將使用非極大抑制方法來選擇最佳的邊界框，即選取置信度滿足閾值的邊界框。

步驟S200包括以下步驟，

S201～對收集到的目標對象的照片縮放至原始尺寸的一半。

S202～將縮放后的小目標數據集圖片居中放在1850×1850像素圖片的上面。

S203～使用LabelImg軟件進行小目標數據集的標注，對每個xml格式的標簽圖片名字、所在路徑、標注框的像素位置和標注類別；最終數據集以PASCAL VOC數據集的格式存儲。