【技术实现步骤摘要】
一种基于改进YOLO模型的轻型室内火灾识别方法
[0001]本专利技术涉及计算机视觉领域，具体为一种基于改进YOLO模型的轻型室内火灾识别方法。
技术介绍
[0002]火是人类文明进步的一个标志，在古代，专利技术了火药，使得古代科技得到了飞跃。近代，随着工业化的进程，各种工业生产过程与火息息相关，然而火的不当使用则会造成非常严重的事故，威胁着人们的生命与财产安全。随着计算机视觉的兴起，许多目标检测算法应运而生，其中可分为两阶段目标检测算法和一阶段目标检测算法。在两阶段目标检测算法中，R
‑
CNN、SPPNet、Fast R
‑
CNN、Faster R
‑
CNN算法被提出，R
‑
CNN（区域卷积升级网络）是第一个将深度学习应用到了目标检测当中的算法。其思路是对目标进行提取框操作之后，对各个框分别进行了特征提取、图像分类、非极大值抑制操作，但也正是因为候选框过多、图像需归一化处理等原因，其运行速度十分缓慢，并且需要大量的数据存储空间，所以难以满足大部分场景下...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLO模型的轻型室内火灾识别方法，其特征在于，包括：1）改进backbone部分，引入采用CSP模块，原YOLO的主干网DarkNet53包含四次下采样和五组残差块，每个残差块包含2层卷积层，且卷积层重复的次数分别为1、2、8、8、4次；采用CSP模块（Cross Stage Partial Network，交叉阶段部分连接）是将所有的输入数据分为两次处理，第一次直接通过1
×
1的卷积核，第二次在1
×
1的卷积核之后保留Darknet53的残差模块，1
×
1的卷积核起到下采样的作用，进一步精简输入神经网络的数据量；2）引入Ghost Module，针对在使用残差模块提取特征图的过程中，生成的冗余特征图， GhostNet使用Ghost Module 模块进行处理，该模块将普通卷积分为两部分，首先进行一个常规的1
×
1少量卷积，生成输入特征层的特征浓缩，然后再进行深度可分离逐层卷积，利用上一步获得的特征浓缩生成Ghost特征图；3）引入Ghost Bottlenecks，来代替瓶颈结构里面的普通卷积,Ghost Bottlenecks分为两个部分，分别是主干部分和残差边部分，包含Ghost Module的，称为主干部分；Ghost Bottlenecks有两个种类，当需要对特征层的宽高进行压缩的时候，设置这个Ghost Bottlenecks的Stride=2，即步长为2，此时会在Bottlenecks里面多添加一些卷积层，在主干部分里，在两个Ghost Module中添加一个步长为2
×
2的深度可分离卷积进行特征层的宽高压缩，在残差边部分，添加上一个步长为2
×
2的深度可分离卷积和1
×
1的普通卷积；4）当一张图片输入到GhostNet当中时，首先进行一个16通道的普通1
×
1卷积块，即卷积+标准化+激活函数，之后开始Ghost Bottlenecks的堆叠，利用Ghost Bottlenecks，获得了一个7
×7×
160的特征层，然后利用一个1
×
1的卷积块进行通道数的调整，此时获得一个7
×7×
960的特征层，之后进行一次全局平均池化，然后再利用一个1
×
1的卷积块进行通道数的调整，获得一个1
×1×
1280的特征层，然后平铺后进行全连接进行分类；5）在原YOLO模型基础上，使用GhostNet提取出三个有效特征层，利用这三个有效特征层替换原来YOLO主干网络CSPdarknet53的有效特征层；6）经过主干网络生成特征图后，在特征图进行特征聚合...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。