一种基于改进YOLO算法的小目标火灾检测方法技术

本发明专利技术属于计算机视觉及森林火灾预防技术领域，具体是一种基于改进YOLO算法的小目标火灾检测方法。包括以下步骤。S100～建立火灾数据集，收集火灾和烟雾的图像，包括不同天气和光线下火焰和烟雾的图像；S200～标注数据集；S300～建立改进的YOLO

【技术实现步骤摘要】
一种基于改进YOLO算法的小目标火灾检测方法


[0001]本专利技术属于计算机视觉及森林火灾预防
，具体是一种基于改进YOLO算法的小目标火灾检测方法。

技术介绍

[0002]目前，火灾的探测大部分依赖于各种传感器检测，包括烟雾报警器、温度报警器和红外线报警器。虽然这些警报可以发挥作用，但它们存在重大缺陷。首先，必须达到空气中一定浓度的粒子才能触发警报。当警报被触发时，火势可能已经太强而无法控制，从而达不到预警的目的。其次，大部分报警器只能在封闭的环境中发挥作用，对于户外或公共场所等空间起不到作用。第三，可能存在误报。当非火灾粒子浓度达到报警浓度时，也会自动发出报警声。
[0003]小目标具有与周围环境视觉尺寸相对较小的特点，所以小目标的检测较一般检测任务具有挑战性，小目标检测方面的性能并不理想。这些问题给检测火灾场景下的小目标检测带来了巨大的挑战。
[0004]双阶段检测中以 R
‑
CNN系列为代表，目前使用最广泛的是Faster R
‑
CNN框架。先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。单阶段检测中具有 代 表 性 的 检 测 框 架 有 YOLO(you only look once)系 列、SSD(single shot multibox detec
‑
tor)、RetinaNet等。这类方法跳过区域建议（Region Proposal）阶段，一次得到最终的定位和内容预测。也就是说区域建议网络与分类定位完全集成。这样就可以一定限度地减少冗余计算，提高速度。

技术实现思路

[0005]本专利技术为了解决传统为通用目标检测而设计的YOLO
‑
V3在检测小目标时的速度及精度不足的问题，提供一种基于改进YOLO算法的小目标火灾检测方法。
[0006]本专利技术采取以下技术方案：一种基于改进YOLO算法的小目标火灾检测方法，包括以下步骤。
[0007]S100～建立火灾数据集，收集火灾和烟雾的图像，包括不同天气和光线下火焰和烟雾的图像；S200～标注数据集；S300～建立改进的YOLO
‑
V3算法框架，使用Darknet
‑
53架构作为基本网络架构，首先将输入图像缩放，再把输入的火灾图像划分为S
×
S个网格，然后使用EfficientNet进行图像的特征提取，在每个网格单元中进行检测是否存在火焰或者烟雾；S400～预训练网络，通过所述火灾图像训练数据集对改进后的YOLO
‑
V3模型进行预训练，将三次深度可分离卷积学习到的特征图进行上采样，经过特征金字塔的推动，得到不同尺度的预测框，每个网格预测3个边界框，并且给出这些边界框的置信度分数，最后通过非极大抑制对给出的边界框进行筛选；置信度反应了网格是否包含对象，以及包含对象时预测边界框的准确性，当多个边界框同时检测到一个目标时，YOLO网络将使用非极大抑制方法来选择最佳的边界框，即选取置信度满足阈值的边界框。
[0008]步骤S200包括以下步骤，S201～对收集到的目标对象的照片缩放至原始尺寸的一半。
[0009]S202～将缩放后的小目标数据集图片居中放在1850
×
1850像素图片的上面。
[0010]S203～使用LabelImg软件进行小目标数据集的标注，对每个xml格式的标签图片名字、所在路径、标注框的像素位置和标注类别；最终数据集以PASCAL VOC数据集的格式存储。
[0011]S204～为防止过度拟合，更好地比较不同算法的性能，考虑到标签与数据的对应关系，保证数据集分布均匀，将标注后的数据集按照70%，20%，10%的比例随机划分为训练集、验证集和测试集。像素区域不清楚的正样本没有被标记，为了防止神经网络中的过拟合。其中，训练集用于拟合模型，通过设置分类器的参数，训练分类模型；后续结合验证集作用时，根据修改参数值来拟合出多个分类器；验证集数据用于各个模型对同一数据集的准确率，进而选出效果最佳的模型所对应的参数；通过训练集和验证集得出最优模型后，使用测试集进行模型预测，用来衡量该最优模型的性能和分类能力。
[0012]步骤S300中，每个网格单元检测火焰或者烟雾的具体方法为，通过对已分割出的高危区域和火焰区域中心点为在四个方向上逐像素点做差值运算，用 gradu=ax（
∂
u/
∂
x）+ay（
∂
u/
∂
y）+az（
∂
u/
∂
z）计算其梯度值；将火焰边界内所计算的一系列梯度值的计算结果保存在单链表Q1中，采集下一帧, 重复上述步骤,记录为Q2,比较Q1和Q2两者的差若大于预先设定的火焰梯度阈值既可以判定为火焰。
[0013]步骤S300中，改进的YOLO
‑
V3算法框架中训练过程中计算如公式（1）所示：（1）其中，S表示gridsize；x
i
表示预测值，y
i
表示标签值；S2表示13
×
13、26
×
26、52
×
52；B代表box，表示如果i,j处的box有目标，其值为1，否则为0；表示如果i,j处的box没有目标，其值为1，否则为0；w和h代表Ground Truth box的宽高；表示参数置信度；表示分类误差；如果检测目标的中心落在一个网格中个，则该网格负责检测目标，再经过不断地深度可分离卷积、全局平均池化、压缩特征、扩张特征来提取特征。
[0014]步骤S400中，置信度计算的定义如下：Confidence=P
r
(Object)
ꢀ×
IoUtruth pred，P
r
(Object) ∈{0,1}，当目标在网格时，P
r
=1,否则为0；IoU表示预测边界框和真实边界框之间的重合。
[0015]与现有技术相比，本专利技术具有以下有益效果：本专利技术提出的基于改进YOLO算法的小目标火灾检测方法针对业务场景的待检测目标为小目标时，相较于运用传统检测模型而言可以更快收敛及有着更高的精度和鲁棒性，在检测过程中取得更好的精度和速度。
附图说明
[0016]图1为本专利技术的改进的YOLO
‑
V3算法网络结构图；图2是本专利技术的改进的YOLO
‑
V3算法检测步骤；图3是本专利技术的改进的YOLO
‑
V3算法与未改进的YOLO
‑
V3以及Faster R
‑
CNN算法对
比的P
‑
R曲线；图4是本专利技术的改进的YOLO
‑
V3算法在不同光线和场景下的检测示意图；图5是本专利技术的改进的YOLO
‑
V3算法在小目标数据集上的检测示意图。
具体实施方式
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLO算法的小目标火灾检测方法，其特征在于：包括以下步骤，S100～建立火灾数据集，收集的火灾和烟雾的图像，包括不同天气和光线下火焰和烟雾的图像；S200～标注数据集；S300～建立改进的YOLO
‑
V3算法框架，使用Darknet
‑
53架构作为基本网络架构，首先将输入图像缩放，再把输入的火灾图像划分为S
×
S个网格，然后使用EfficientNet进行图像的特征提取，在每个网格单元中进行检测是否存在火焰或者烟雾：S400～预训练网络，通过所述火灾图像训练数据集对改进后的YOLO
‑
V3模型进行预训练，将三次深度可分离卷积学习到的特征图进行上采样，经过特征金字塔的推动，得到不同尺度的预测框，每个网格预测3个边界框，并且给出这些边界框的置信度分数，最后通过非极大抑制对给出的边界框进行筛选；置信度反应了网格是否包含对象，以及包含对象时预测边界框的准确性，当多个边界框同时检测到一个目标时，YOLO网络将使用非极大抑制方法来选择最佳的边界框，即选取置信度满足阈值的边界框。2.根据权利要求1所述的基于改进YOLO算法的小目标火灾检测方法，其特征在于：所述的步骤S200包括以下步骤，S201～对收集到的目标对象的照片缩放至原始尺寸的一半；S202～将缩放后的小目标数据集图片居中放在1850
×
1850像素图片的上面；S203～使用LabelImg软件进行小目标数据集的标注，对每个xml格式的标签图片名字、所在路径、标注框的像素位置和标注类别；最终数据集以PASCAL VOC数据集的格式存储；S204～将标注后的数据集按照70%，20%，10%的比例随机划分为训练集、验证集和测试集。3.根据权利要求2所述的基于改进YOLO算法的小目标火灾检测方法，其特征在于：所述的步骤S300中，每个网格单元检测火焰或者烟雾的具体方法为，...

【专利技术属性】
技术研发人员：郑文，要媛媛，武心南，崔佳梅，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：