基于改进的YOLOv5模型的火焰检测方法技术

本发明专利技术公开了一种基于改进的YOLOv5模型的火焰检测方法，包括：建立火焰数据集；以YOLOv5模型为基础模型，嵌入注意力机制单元、增加新增检测层、引入边界损失函数得到第一YOLOv5模型；对第一YOLOv5模型进行预训练得到第二YOLOv5模型；对第二YOLOv5模型进行优化，得到第三YOLOv5模型；将测试图像输入第三YOLOv5模型得到火焰检测结果。通过嵌入注意力机制单元，能够同时考虑通道间关系和空间信息，使得第一YOLOv5模型能够更准确地定位并识别目标区域；增加新增检测层用于检测小尺寸目标；引入边界损失函数对小数据集和噪声的鲁棒性更强，并且更适合轻量化模型。并且更适合轻量化模型。并且更适合轻量化模型。

【技术实现步骤摘要】
基于改进的YOLOv5模型的火焰检测方法


[0001]本专利技术涉及深度学习及目标检测领域，更具体地，涉及一种基于改进的YOLOv5模型的火焰检测方法。

技术介绍

[0002]火灾是威胁人类生命和财产安全的重要灾害之一，一些不起眼的火星都可能造成严重的经济损失和人员伤亡。随着经济的快速发展，城市建筑物的规模越来越大，当火灾发生时，目前的灭火手段还主要以消防员人工灭火为主，在此过程中，经常伴随着消防人员的受伤，因此，使用消防机器人替代人工灭火已成为一种发展的趋势。消防机器人主要使用摄像头对火场情况进行探索，所以基于图像对火焰进行实时而准确的目标检测，成为消防机器人顺利高效灭火的关键。
[0003]传统的火焰检测技术主要是提取特征，例如：利用RGB颜色空间，通过对RGB三通道不同的特性的分析进行火焰检测；利用火焰燃烧时会产生红光和蓝光的火焰特征，采用具有亮度和红、蓝2种颜色信息的YCbCr彩色空间提取火焰特征进行火焰检测；利用帧差法，使用面积增长比作为判别帧数差的依据进行火焰检测。这些传统的火焰识别方法在一定程度上满足了火焰检测要求，但是在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv5模型的火焰检测方法，其特征在于，包括：建立火焰数据集，所述火焰数据集包括多张火焰图像；以YOLOv5模型为基础模型，所述YOLOv5模型包括顺次设置的输入端、基准网络模块、特征融合模块和检测模块，在所述基准网络模块中嵌入注意力机制单元、在所述检测模块增加新增检测层、在所述检测模块引入边界损失函数得到第一YOLOv5模型，所述边界损失函数按照以下方法进行计算：其中，为所述火焰图像的预测边框与结果边框的差异；I
O
U为交互比，α为调节参数；采用图像数据集对所述第一YOLOv5模型进行预训练，得到第二YOLOv5模型；将所述火焰数据集划分为训练集、验证集和测试集，所述测试集中的所述火焰图像为测试图像，将所述训练集和所述验证集输入所述第二YOLOv5模型进行优化，得到第三YOLOv5模型；将所述测试集的所述测试图像输入所述第三YOLOv5模型，得到火焰检测结果。2.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述建立火焰数据集，包括：采集多张所述火焰图像，多张所述火焰图像均不相同，对多张所述火焰图像进行筛选，删除火焰面积超过所述火焰图像面积80％的所述火焰图像得到第一数据集；对所述第一数据集中的所述火焰图像进行数据增强，所述数据增强的方式，包括：对所述第一数据集中的所述火焰图像分别进行旋转、镜像、缩放、拼接和亮度平衡得到多张扩充的所述火焰图像，将多张扩充的所述火焰图像与所述第一数据集合并形成所述火焰数据集。3.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，在所述建立火焰数据集之后还包括对所述火焰数据集中的所述火焰图像进行标注；采用边框将所述火焰图像的火焰部分圈出，记录所述边框的信息并将所述边框的信息转换为第一格式进行保存。4.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述基准网络模块包括第一单元、第二单元、第三单元和第四单元；所述第一单元为切片结构；所述第二单元由卷积层、批量归一化和第一激活函数组成；所述第三单元由所述卷积层和瓶颈层组成；所述第四单元由所述卷积层与池化层组成；所述基准网络模块提取所述测试图像的特征信息得到第一特征图。5.根据权利要求4所述的基于改进的YOLOv5模型...

【专利技术属性】
技术研发人员：曹彦彦，陈露萌，黄民，董伟杰，王义龙，徐杨梅，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：