一种基于YOLO-V4卷积神经网络的火灾识别方法技术

本发明专利技术提供了一种基于YOLO

【技术实现步骤摘要】
一种基于YOLO
‑
V4卷积神经网络的火灾识别方法


[0001]本专利技术涉及一种基于物联网和YOLO
‑
V4卷积神经网络的火灾识别方法，属于物联网和神经网络交叉领域。

技术介绍

[0002]无论火灾是意外还是人为，其开始燃烧的确切时间以及蔓延的速度均难以预测。因此在全球范围内对火灾进行控制及预防成了相关领域专家及学者关注的重点对象。随着现代物联网的发展及应用，在原始技术基础上升级，使火灾的预防成为减少人类损失的重要手段。烟雾探测器是一种常见的火警预防手段，尽管烟雾探测器使火灾风险降低了一半，但令人担忧的是，这些装置的故障率仍然高达17％，光是电池没电就导致了至少四分之一的烟雾探测器无法正常工作。此外，香烟或熏香、烹饪或不相关湿度的增加会产生虚假警报。随着科学技术的进步和人工智能领域的发展，越来越多的公共场所采用摄像头的方式，基于物联网将拍摄的视频传回云端，云端再进行火灾识别，如此通过摄像头定时检测能够有效判断是否发生火灾，及时的做出对应的预警应对措施。并且，除了针对公共场合，还可以利用无人机进行森林、山等地形的巡航火灾检测。
[0003]中国专利文献号CN 111223265 B，公开/公告日2020年07月28日，专利技术名称为“基于神经网络的火灾探测方法、装置、设备及存储介质”中公开了一种针对火灾探测的神经网络，该神经网络只是简单的三层网络，进行图像二分类，由于神经网络构造简单，因此它的泛化能力较弱，若遇到相同强度的光源很容易产生误判。中国专利文献号CN 108520615 B，公开/公告日2020年08月25日，专利技术名称为“一种基于图像的火灾识别系统和方法”中公开了一种摄像头根据图像高亮区域进行旋转检测实现火灾识别的方法。该专利技术由于要与云端传输多次才能确保识别情况，有一定的延时性和不稳定性，并且所采用高亮区域判定也容易被其他光源所影响。而本专利技术采用新颖的目标检测模型YOLO
‑
V4，能够快速定位火灾目标框，其次采用损伤激活函数针对模型训练过程中的损失值进行激活，以此提高神经网络模型的泛化性能。以上提及的特性可快速判别当前摄像头的图像信息是否发生火灾，并且可以保持高准确率。

技术实现思路

[0004]本专利技术提出一种基于YOLO
‑
V4卷积神经网络的火灾识别方法，其目的为在复杂的环境下对火灾进行检测和识别，并利用损失激活函数一定程度上提高模型的泛化能力，在保证算法精度的同时，提升算法运算速度。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]步骤1：收集火灾图片数据进行处理，构建数据集，关于该步骤的详细描述如下。对任意一个数据样本x
i
(1≤i≤n)，都有唯一对应的标签y
i
(1≤i≤n)；样本x
i
是一张图像，即一个三维矩阵，标签y
i
对应着x
i
存在的目标框，其中有目标框的坐标及其对应目标框是否存在火灾的标志，0代表没有，1代表存在；完成所有数据样本的标注任务，并按照7∶3的比例将
标注好的数据集随机划分为训练数据集、测试数据集。
[0007]步骤2：搭建YOLO
‑
V4卷积神经网络模型。构建YOLO
‑
V4基本组块CBM、CBL、ResUnit、CSPX和SPP，其中CBM是YOLO
‑
V4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成；CBL由Conv+Bn+Leaky_relu激活函数三者组成；ResUnit借鉴Resnet网络中的残差结构，构建更深的网络，提取更丰富的特征信息；CSPX借鉴CSPNet网络结构，由卷积层和X个ResUnit模块Concat组成；SPP采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化方式，进行多尺度融合；构建YOLO
‑
V4基本操作：Concat和add，其中Concat：张量拼接，维度会扩充；add：张量相加，不会扩充维度；基于上述基本组块和基本操作，构建YOLO
‑
V4模型的BackBone、Neck和Prediction，其中BackBone用于数据的特征提取，主要由一个CBM组块和5个CSP组块构成，在目标检测领域，为了更好地提取融合特征，通常在BackBone和输出层插入一些层，这个部分称为Neck，YOLO
‑
V4的Neck结构主要采用了SPP模块、FPN+PAN的方式，Prediction采用DIoU_nms作为预测框的筛选方法，CIoU_loss作为损失函数。
[0008]步骤3：通过损失激活函数对损失函数激活。YOLO
‑
V4的损失函数为CIoU_loss，其计算过程如下公式：
[0009][0010][0011]其中，IoU是预测框A和真实框B的交并比，即IoU＝|A∩B|/|A∪B|，b和b
gt
分别代表预测框和真实框的中心点，ρ代表两个中心点间的欧式距离，c代表同时包含预测框和真实框的最小闭包区域的对角线距离，α是权重函数；损失激活函数LAF定义如下：
[0012][0013]其中，为损失函数，h1，h2，h3＞0为控制函数变形的标量；公式(3)被标记为LAF(h1，h2，h3)。
[0014]经过LAF激活的带动量的随机梯度下降公式对YOLO
‑
V4模型参数的更新步骤如下：
[0015][0016]v
(t)
←
mv
(t
‑
1)
‑
ηg
(t)
，(5)
[0017]θ
(t)
←
θ
(t)
+v
(t)
，(6)
[0018]其中，g
(t)
是n个样本的平均梯度，上标t代表第t步迭代更新参数，代表LAF对模型参数θ
(t)
的梯度，v
(t)
代表第t步的速度，m为动量因子，η为学习率。
[0019]步骤4：训练所构建的神经网络，并进行火灾识别。利用公式(4)
‑
(6)对所构建的YOLO
‑
V4神经网络进行训练；使用训练后的神经网络进行火灾识别。
[0020]与现有技术相比，本专利技术的有益效果在于本专利技术提出一种基于YOLO
‑
V4卷积神经网络的火灾识别方法，其目的为在复杂的环境下对火灾进行检测和识别，并利用损失激活函数一定程度上提高模型的泛化能力，在保证算法精度的同时，提升算法运算速度。
附图说明
[0021]为了说明本专利技术的目的、技术方案，本专利技术提供如下附图说明：
[0022]图1为本专利技术的执行流程图；
[0023]图2为本专利技术的YOLO
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO
‑
V4卷积神经网络的火灾识别方法，其特征在于，该方法包含以下步骤：步骤1：收集火灾图片数据进行处理，构建数据集；步骤2：搭建YOLO
‑
V4卷积神经网络模型；步骤3：通过损失激活函数对损失函数激活；步骤4：训练所构建的神经网络，并进行火灾识别。2.根据权利要求1所述的一种基于YOLO
‑
V4卷积神经网络的火灾识别方法，其特征在于，所述的步骤1具体如下：对任意一个数据样本x
i
(1≤i≤n)，都有唯一对应的标签y
i
(1≤i≤n)；样本x
i
是一张图像，即一个三维矩阵，标签y
i
对应着x
i
存在的目标框，其中有目标框的坐标及其对应目标框是否存在火灾的标志，0代表没有，1代表存在；完成所有数据样本的标注任务，并按照7∶3的比例将标注好的数据集随机划分为训练数据集、测试数据集。3.根据权利要求1所述的一种基于YOLO
‑
V4卷积神经网络的火灾识别方法，其特征在于，所述的步骤2具体如下：构建YOLO
‑
V4基本组块CBM、CBL、Res Unit、CSPX和SPP，其中CBM是YOLO
‑
V4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成；CBL由Conv+Bn+Leaky_relu激活函数三者组成；Res Unit借鉴Resnet网络中的残差结构，构建更深的网络，提取更丰富的特征信息；CSPX借鉴CSPNet网络结构，由卷积层和X个Res Unit模块Concat组成；SPP采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化方式，进行多尺度融合；构建YOLO
‑
V4基本操作：Concat和add，其中Concat：张量拼接，维度会扩充；add：张量相加，不会扩充维度；基于上述基本组块和基本操作，构建YOLO
‑
V4模型的BackBone、Neck和Prediction，其中B...

【专利技术属性】
技术研发人员：金龙，陈良铭，彭波，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：