一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质技术

本发明专利技术属于图像信息处理技术领域，具体公开了一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质，方法包括对YOLOv4模型进行改进，在YOLOv3损失函数的基础上添加原有YOLOv4损失函数的CIOU loss分支得到新的损失函数，并引入新的参数作为惩罚项；运用预先采集的训练数据集，并利用微调后的模型参数对改进后的YOLOv4模型进行训练，得到训练好的模型；将待检测视频逐帧输入训练好的模型，通过输出结果的置信度是否达到设定的阈值，来判断当前视频帧中有无火灾。本方法是一种新的应用于高穹顶场景下的火灾检测方法，并且在普通场景下具有适用性，大大提高了检测精度。

【技术实现步骤摘要】
一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质
本专利技术涉及图像信息处理
，特别涉及一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质。
技术介绍
火灾在人们日常生活中频繁发生且危害巨大，近些年来基于视频监控平台的图像型火灾检测技术开始备受研究者的关注并不断发展。相较于基于温度、烟雾等火灾参数传感器的传统火灾检测技术，其检测速度快、检测范围广、报警信息丰富、受环境因素影响小，因此具有重要的研究意义。然而，早期图像型火灾检测技术多是基于人工选取特征，再结合浅层机器学习分类器模型加以训练，最后对图像中的目标做分类和识别。一方面，人工选取特征过于依赖专家的先验知识，与此同时很难寻找到一种或多种足以描述火焰本质的特征，特征选取的合适与否将直接影响到模型的分类效果，并且特征的计算方法大多都采取设定启发式阈值的方法，因此模型的泛化能力有限，鲁棒性不佳；另一方面，浅层机器学习模型学习的特征较为表面，模型的表达能力不足，此外，更丰富的数据集也无法带来其分类性能的显著提升。为了解决上述问题，现有技术中有采用本文档来自技高网...

【技术保护点】
1.一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，所述方法包括以下内容：/n对YOLOv4模型进行改进，包括在YOLOv3损失函数的基础上添加原有YOLOv4损失函数的CIOU loss分支得到新的损失函数，并引入新的参数作为惩罚项；/n运用预先采集的训练数据集，对改进后的YOLOv4模型进行训练，得到训练好的模型；/n将待检测视频逐帧输入训练好的模型，通过输出结果的置信度是否达到设定的阈值，来判断当前视频帧中有无火灾。/n

【技术特征摘要】
1.一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，所述方法包括以下内容：
对YOLOv4模型进行改进，包括在YOLOv3损失函数的基础上添加原有YOLOv4损失函数的CIOUloss分支得到新的损失函数，并引入新的参数作为惩罚项；
运用预先采集的训练数据集，对改进后的YOLOv4模型进行训练，得到训练好的模型；
将待检测视频逐帧输入训练好的模型，通过输出结果的置信度是否达到设定的阈值，来判断当前视频帧中有无火灾。


2.根据权利要求1所述的一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，所述训练数据集包括火灾前期视频以及在模拟环境中的火灾视频。


3.根据权利要求2所述的一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，对所述训练数据集中的视频进行切帧并标注。


4.根据权利要求1所述的一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，对所述改进后的YOLOv4模型进行训练之前还包括数据增强步骤，所述数据增强包括在YOLOv4模型的输入端采用Mosaic数据增强对所述训练数据集进行数据增强。


5.根据权利要求4所述的一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，所述数据增强还包括采用Mosaic数据增强的同时加入易误检样本库到所述训练数据集中。


6.根据权利要求5所述的一种基于改进的YOLOv4高穹顶场景下火灾检测方法，其特征在于，所述对改进后的YOLOv4模型进行训练时，使用所述易误检样本库进行迭代重复训练。


7.根据权利要求...

【专利技术属性】
技术研发人员：匡平，黄泓毓，李凡，彭江艳，高宇，刘晨阳，段其鹏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51