一种基于加权双向特征金字塔网络的轻量级火灾检测方法技术

本发明专利技术公开了一种基于加权双向特征金字塔网络的轻量级火灾检测方法，使用RepVGG模块替换了YOLOv5s网络模型骨干网络的卷积模块Conv；在YOLOv5s引入轻量型通道和空间注意力机制CBAM；采用BiFPN结构作为YOLOv5s的特征融合网络；制作火灾图像检测数据集并将其分为训练集、验证集和测试集；将数据集输入到改进后的YOLOv5s网络模型中，并经过GPU进行训练和测试，得到最优权重；使用最优权重将火灾图像输入到YOLOv5s网络模型中，得到火灾实时检测结果。本发明专利技术使得检测火灾图像的速度更快，精度更高，降低了网络模型的计算量，提高了推理和检测的精度。检测的精度。检测的精度。

【技术实现步骤摘要】
一种基于加权双向特征金字塔网络的轻量级火灾检测方法


[0001]本专利技术属于目标检测方法
，具体涉及一种基于加权双向特征金字塔网络的轻量级火灾检测方法。

技术介绍

[0002]火灾发生时不仅会对人类的生命安全和财产造成严重威胁，而且会对人类和生态系统带来巨大的破坏。这种破坏往往会快速蔓延并容易失去控制，严重危害相关区域的生产安全且被破坏的区域往往难以再生和恢复。传统的火灾检测识别方法如感温、感烟、感光等技术易受到空间高度、气流、粉尘等因素的影响，不适合在大空间以及户外的环境，而可视火灾检测技术由于其反应速度快，检测范围广，监测距离远等优点越来越受到人们的重视；
[0003]近年来，随着计算机视觉的快速发展，基于深度学习与图像处理相结合的火灾检测技术也在迅速发展，基于深度学习的火灾检测技术可以克服传统火灾检测技术的不足。因此，基于深度学习的火灾检测技术为解决公共安全问题提供了一种全新的解决办法。

技术实现思路

[0004]本专利技术的目的是提供一种基于加权双向特征金字塔网络的轻量级火灾检测方法，解决了目前检测火灾图像的速度和精度不够高、且一定程度上网络模型的计算量有待进一步优化的问题。
[0005]本专利技术所采用的技术方案是，
[0006]一种基于加权双向特征金字塔网络的轻量级火灾检测方法，具体按照如下步骤进行：
[0007]步骤1：使用RepVGG模块替换了YOLOv5s网络模型的骨干网络的卷积模块Conv，对图像目标区域进行特征提取；
[0008]步骤2：在YOLOv5s网络模型的骨干网络中引入轻量型通道和空间注意力机制CBAM；
[0009]步骤3：采用BiFPN结构作为YOLOv5s网络模型的特征融合网络，优化原有的FPN和PANet结构，完成改进后的YOLOv5s网络模型；
[0010]步骤4：制作火灾图像检测数据集并将其分为训练集、验证集和测试集；
[0011]步骤5：将步骤4中的火灾图像检测数据集输入到改进后的YOLOv5s网络模型中，并经过GPU进行训练和测试，得到最优权重；
[0012]步骤6：使用最优权重将需要检测的火灾图像输入到步骤5训练和测试后的YOLOv5s网络模型中，得到火灾实时检测结果。
[0013]本专利技术的特点还在于；
[0014]步骤1具体为：RepVGG模块是一种轻量型的卷积神经网络模块，分别在骨干网络的第1层、第4层、第6层和第8层改进替换原来的Conv模块；特征提取是基于RepVGG模块的结构
重参数化方式进行，在训练模型阶段提取特征向量。
[0015]步骤2中，CBAM注意力机制是一种轻量型的通道和空间注意力机制，在骨干网络的第3层引入该模块。
[0016]步骤3中，BiFPN结构是一种加权双向特征金字塔网络，基于FPN结构BiFPN网络的每个节点都会对输入的特征向量以加权融合的方式来融合不同特征层，基于PANet结构BiFPN网络重复实现自上而下和自下而上的双向融合，最终三个BiFPN基础结构叠加输出融合低维和高维的特征。
[0017]步骤4具体为：明确需要检测的火灾图像和尺寸大小，通过视频截取、相机拍摄和在线搜集的方式收集火灾图像，使用目标检测标注软件Labelimg对得到的火灾图像进行信息标注并存储为xml格式的文件类型，完成信息标注后统计火灾图像数据集的图像数量，将所有完成信息标注的xml格式的文件类型转换为txt文件类型，得到火灾图像检测数据集。
[0018]步骤4中，信息标注包括：选择标注所述火灾图像数据集的格式为VOC格式、需要检测的火灾类别、已标注图片生成文件的名称和存储路径、所在图像中目标区域的坐标值和长宽大小。
[0019]步骤5具体为，将火灾图像检测数据集中的图像输入到改进后的YOLOv5s网络模型并经过GPU进行迭代训练，训练得到改进后的YOLOv5s网络模型的最优权重。
[0020]本专利技术的有益效果是，本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法，使用RepVGG模块和CBAM注意力机制构建的骨干网络对图像提取特征并由BiFPN模块对特征进行融合，使得改进后的YOLOv5s网络模型检测火灾图像的速度更快，精度更高，能够满足实时检测的要求，且一定程度上降低了网络模型的计算量，提高了推理速度和检测精度，加速火灾检测自动化的发展，具有一定的实用意义。
附图说明
[0021]图1是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法的流程图；
[0022]图2是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法的对比例2中在YOLOv5s网络模型中引入RepVGG模块和CBAM注意力机制的YOLOv5s网络模型的骨干网络结构图；
[0023]图3是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法中RepVGG模块的原理图；
[0024]图4是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法中CBAM注意力机制的原理图；
[0025]图5是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法的改进后的YOLOv5s网络模型中使用的BiFPN网络的原理图；
[0026]图6是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法的实施例1中改进后的YOLOv5s网络模型的原理图；
[0027]图7是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法的实施例1中改进后的YOLOv5s网络模型训练过程图；
[0028]图8是本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法中改进后
的YOLOv5s网络模型火灾检测效果图。
具体实施方式
[0029]下面结合附图和具体实施方式对本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法进行详细说明。
[0030]如图1所示，本专利技术一种基于加权双向特征金字塔网络的轻量级火灾检测方法由RepVGG模块、CBAM注意力机制和BiFPN模块构建改进后的YOLOv5s网络模型，将RepVGG模块和CBAM注意力机制构成的骨干网络对输入端输入图像的特征进行提取作为特征融合网络的输入，通过BiFPN模块对提取到的特征进行多尺度融合并经过GPU进行训练和测试，设置训练迭代次数Epoch为200，该方法包括以下步骤：
[0031]步骤1：使用RepVGG模块替换了YOLOv5s网络模型的骨干网络的卷积模块Conv；
[0032]使用RepVGG模块替换了YOLOv5s网络模型的骨干网络的卷积模块Conv，RepVGG模块是一种轻量型的卷积神经网络模块，分别在骨干网络的第1层、第4层、第6层和第8层改进替换原来的Conv模块；特征提取是基于RepVGG模块的结构重参数化方式进行，在训练模型阶段提取特征向量。
[0033]步骤2：在YOLOv5s网络模型的骨干网络部分引入轻量型注意力机制CBAM；
[0034]在YOLOv5s网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，具体按照如下步骤进行：步骤1：使用RepVGG模块替换了YOLOv5s网络模型的骨干网络的卷积模块Conv；步骤2：在YOLOv5s网络模型的骨干网络中引入轻量型通道和空间注意力机制CBAM；步骤3：采用BiFPN结构作为YOLOv5s网络模型的特征融合网络，优化原有的FPN和PANet结构，完成改进后的YOLOv5s网络模型；步骤4：制作火灾图像检测数据集并将其分为训练集、验证集和测试集；步骤5：将步骤4中的火灾图像检测数据集输入到改进后的YOLOv5s网络模型中，并经过GPU进行训练和测试，得到最优权重；步骤6：使用最优权重将需要检测的火灾图像输入到步骤5训练和测试后的YOLOv5s网络模型中，得到火灾实时检测结果。2.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤1具体为：RepVGG模块是一种轻量型的卷积神经网络模块，分别在骨干网络的第1层、第4层、第6层和第8层改进替换原来的Conv模块。3.根据权利要求2所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤2中，CBAM注意力机制是一种轻量型的通道和空间注意力机制，在骨干网络的第3层引入该模块。4.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步...

【专利技术属性】
技术研发人员：江祥奎，胡浩昌，赵峰，张三，胡艺辉，王无为，李红，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：