基于改进型YOLOv4的火焰检测方法及系统技术方案

本发明专利技术公开了一种基于改进型YOLOv4的火焰检测方法及系统，涉及火灾环境监控技术领域，主要包括：将目标监控图像输入至火焰检测模型中，得到目标区域的预测结果图像；预测结果图像包括：识别的火焰数量和火焰区域大小；火焰检测模型是通过样本数据对改进型YOLOv4网络模型进行训练得到的；样本数据包括多个样本对；样本对包括样本监控图像及对应的先验框；先验框是通过聚类算法确定的；改进型YOLOv4网络模型为Mish激活函数；改进型YOLOv4网络模型包括依次连接的输入层、骨干网络、颈部网络、头部网络和注意力机制网络，以及与骨干网络并联连接注意力机制网络。本发明专利技术能够提高火焰检测的速度和精确度的目的。高火焰检测的速度和精确度的目的。高火焰检测的速度和精确度的目的。

【技术实现步骤摘要】
基于改进型YOLOv4的火焰检测方法及系统


[0001]本专利技术涉及火灾环境监控
，特别是涉及一种基于改进型YOLOv4 的火焰检测方法及系统。

技术介绍

[0002]在深度学习神经网络出现前，一般采用传感器方式进行火灾的探测，但是传感器有发现时间不及时、使用环境受限并且存在误报率等重大的缺陷。市面上的传感器也有不足之处，有些传感器只能在火焰燃烧达到一定程度，才能够识别到火灾的存在，无法及时准确的应用于火灾探测，不能完全替代人力进行火灾探测，只能作为无人火灾探测的一个补充。因此人们把视线转移到了深度学习神经网络的目标检测上。
[0003]2020年，Alexey Bochkovskiy等人提出了一种基于深度学习神经网络的 YOLOv4目标检测算法，该YOLOv4目标检测算法引入了一些之前算法所没有的Dropblock(正则化方法)、SAM(空间注意力模块)、DIoU
‑
NMS(距离交并比
‑
非极大抑制)以及Mosaic(马赛克)数据增强等技巧。该YOLOv4目标检测算法相比之前的单阶段目标检测算法有更高的目标识别性能，训练只需在一块超过2080Ti的显卡上进行，但是该算法的重点只是提高识别精度和检测速度，所以性能上仍然没有得到大幅度的提升，虽然可以比较容易的进行火焰的识别，却没有稳定的识别精度和识别速度，无法完全做到高性能的识别。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进型YOLOv4的火焰检测方法及系统，达到提高火焰检测的速度和精确度的目的。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于改进型YOLOv4的火焰检测方法，包括：
[0007]通过摄像头获取需检测目标区域的监控视频图像；所述监控视频图像包括一帧或者多帧目标监控图像；
[0008]将所述目标监控图像输入至火焰检测模型中，得到所述目标区域的预测结果图像；所述预测结果图像包括：识别的火焰数量和火焰区域大小；
[0009]所述火焰检测模型是通过样本数据对改进型YOLOv4网络模型进行训练得到的；所述样本数据包括多个样本对；所述样本对包括样本监控图像及对应的先验框；所述先验框是通过聚类算法确定的；所述改进型YOLOv4网络模型的激活函数为Mish激活函数；所述改进型YOLOv4网络模型包括输入层、骨干网络、颈部网络、头部网络和注意力机制网络；其中，所述输入层、所述骨干网络、所述颈部网络、所述头部网络依次连接，所述注意力机制网络与所述骨干网络并联连接。
[0010]可选地，在执行所述通过摄像头获取需检测目标区域的监控视频图像之后，还包括：
[0011]对所述监控视频图像进行抽帧处理，获取监控视频中每一帧的目标监控图像。
[0012]可选地，所述骨干网络由两部分组成，一部分是卷积Conv+批标准化BN+ 激活函数Mish组成的CBM模块，另一部分是CBM模型与残差学习Res unitN 模块组成的跨阶段局部CSPX分别记为：CSP1、CSP2、CSP8、CSP8、CSP8。
[0013]可选地，所述颈部网络由两部分组成，一部分是卷积Conv+批标准化BN+ 激活函数Mish组成的CBM模块，另一部分是空间金字塔池化SPP。
[0014]可选地，所述注意力机制网络包括并联连接的第一支路和第二支路；第一支路包括串联连接的平均池化和上采样；所述第二支路包括最大池化，且所述第一支路和第二支路均与所述空间金字塔池化SPP连接。
[0015]可选地，所述火焰检测模型的训练过程：
[0016]获取含目标物体的原始样本数据，所述原始样本数据分为训练子集和测试子集；
[0017]对训练子集中图片分别进行目标物体标注，获得对应的标注框；
[0018]对所有标注框进行聚类，获得K个先验框；
[0019]将所有先验框和所述图片集中的原始图片输入至改进型YOLOv4网络模型，生成特征图，得到特征图对应先验框的位置信息、类别信息和物体置信度；
[0020]基于设定的物体置信度阈值，以及特征图对应先验框的位置信息、类别信息和物体置信度，获得一定数量的候选框；
[0021]对所有候选框进行非极大值抑制，得到预测框；
[0022]基于各预测框与对应的标注框的损失值对改进型YOLOv4网络模型的权值进行更新，直到损失值小于设定阈值，获得训练好的改进型YOLOv4网络模型；
[0023]将测试子集中的图片输入至训练好的改进型YOLOv4网络模型，获得目标物体的大小、位置及类别，完成目标检测，进而得到火焰检测模型。
[0024]可选地，还包括：将每一帧的预测结果图像以视频流形式在显示器上展示，实时监控目标区域是否有火焰产生。
[0025]可选地，所述骨干网络采用的是Darknet轻型开源深度学习框架。
[0026]可选地，所述火焰检测模型是在设定配置环境中，通过样本数据对改进型 YOLOv4网络模型进行训练得到的；
[0027]所述设定配置环境是在Ubuntu系统上配置的；
[0028]所述设定配置环境的参数为：超过2080Ti的GPU显卡、Cuda运算平台、 Cudnn运算平台以及opencv开发框架。
[0029]一种基于改进型YOLOv4的火焰检测系统，包括：
[0030]数据获取模块，用于通过摄像头获取需检测目标区域的监控视频图像；所述监控视频图像包括一帧或者多帧目标监控图像；
[0031]预测模块，用于将所述目标监控图像输入至火焰检测模型中，得到所述目标区域的预测结果图像；所述预测结果图像包括：识别的火焰数量和火焰区域大小；
[0032]所述火焰检测模型是通过样本数据对改进型YOLOv4网络模型进行训练得到的；所述样本数据包括多个样本对；所述样本对包括样本监控图像及对应的先验框；所述先验框是通过聚类算法确定的；所述改进型YOLOv4网络模型的激活函数为Mish激活函数；所述改进型YOLOv4网络模型包括输入层、骨干网络、颈部网络、头部网络和注意力机制网络；其中，所述输入层、所述骨干网络、所述颈部网络、所述头部网络依次连接，所述注意力机制网络
与所述骨干网络并联连接。
[0033]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0034]本专利技术提到的改进型YOLOv4网络模型可以通过用Mish激活函数替换 LeakyRelu激活函数，减少YOLOv4算法训练时神经元死亡的情况。同时，增加注意力机制，在颈部网络之前补充神经网络训练中丢失的图像特征信息。最后，通过聚类分析，适配数据集的先验框。通过这三个改进点，进一步在 YOLOv4算法的基础上提高了火焰检测的速度和精确度。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型YOLOv4的火焰检测方法，其特征在于，包括：通过摄像头获取需检测目标区域的监控视频图像；所述监控视频图像包括一帧或者多帧目标监控图像；将所述目标监控图像输入至火焰检测模型中，得到所述目标区域的预测结果图像；所述预测结果图像包括：识别的火焰数量和火焰区域大小；所述火焰检测模型是通过样本数据对改进型YOLOv4网络模型进行训练得到的；所述样本数据包括多个样本对；所述样本对包括样本监控图像及对应的先验框；所述先验框是通过聚类算法确定的；所述改进型YOLOv4网络模型的激活函数为Mish激活函数；所述改进型YOLOv4网络模型包括输入层、骨干网络、颈部网络、头部网络和注意力机制网络；其中，所述输入层、所述骨干网络、所述颈部网络、所述头部网络依次连接，所述注意力机制网络与所述骨干网络并联连接。2.根据权利要求1所述的一种基于改进型YOLOv4的火焰检测方法，其特征在于，在执行所述通过摄像头获取需检测目标区域的监控视频图像之后，还包括：对所述监控视频图像进行抽帧处理，获取监控视频中每一帧的目标监控图像。3.根据权利要求1所述的一种基于改进型YOLOv4的火焰检测方法，其特征在于，所述骨干网络由两部分组成，一部分是卷积Conv+批标准化BN+激活函数Mish组成的CBM模块，另一部分是CBM模型与残差学习ResunitN模块组成的跨阶段局部CSPX，分别记为：CSP1、CSP2、CSP8、CSP8、CSP8。4.根据权利要求1所述的一种基于改进型YOLOv4的火焰检测方法，其特征在于，所述颈部网络由两部分组成，一部分是卷积Conv+批标准化BN+激活函数Mish组成的CBM模块，另一部分是空间金字塔池化SPP。5.根据权利要求4所述的一种基于改进型YOLOv4的火焰检测方法，其特征在于，所述注意力机制网络包括并联连接的第一支路和第二支路；所述第一支路包括串联连接的平均池化和上采样；所述第二支路包括最大池化，且所述第一支路和第二支路均与所述空间金字塔池化SPP连接。6.根据权利要求1所述的一种基于改进型YOLOv4的火焰检测方法，其特征在于，所述火焰检测模型的训练过程：获取含目标物体的原始样本数据，所述原始样本数据分为训练子集和测试子集；对训练子集中图片分别进行目标物体标注，获得对应的标注框；对所有标注框进行聚类，获得K个先验...

【专利技术属性】
技术研发人员：丁洪伟，徐航，王冠博，胡鹏，马宏伟，
申请(专利权)人：云南大学，
类型：发明
国别省市：