一种基于帧间差分法和改进YOLOv4的火电厂烟火检测方法技术

本发明专利技术请求保护一种基于帧间差分法和改进YOLOv4的火电厂烟火检测方法。首先以并行DFC注意力和残差构建检测模型的主干网络，同时利用扩张卷积和感受野补充块联合弥补单一检测头带来的性能下降，构建GS

【技术实现步骤摘要】
一种基于帧间差分法和改进YOLOv4的火电厂烟火检测方法


[0001]本专利技术属于基于视频的目标检测领域，特别是基于帧间差分法和改进YOLOv4的火电厂烟火检测方法。

技术介绍

[0002]近年来，卷积神经网络逐步成为一种主流深度学习的模型架构，已成为图像处理和计算机视觉领域最为有效的方法。权值共享和局部感受野这两大特点减少了权值的数量，使得模型的运算复杂度下降；对图像的特征的平移不变性也使其具有良好的特征提取能力和高度的稳定性。
[0003]当前已有大量研究利用卷积神经网络进行目标检测方法探索，自2014年R.Girshick等人提出基于候选区域的R
‑
CNN深度学习模型起，产生了一批经典的二阶段目标检测算法，如Fast R
‑
CNN、Faster R
‑
CNN；此外以YOLO为代表的一阶段检测方法，常见的是YOLOv3，YOLOv4到目前的DAMO
‑
YOLO，一阶段方法尝试在精度和速度上做权衡，当然也是在众多的Tricks下的检测性能得到了提升，不可避免带来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于帧间差分法和改进YOLOv4的火电厂烟火检测方法，其特征在于，包括以下步骤：步骤1：获取火电厂智慧管控系统的发生烟雾及火灾事故的监控视频，对视频中发生烟雾和火焰区域进行标注，作为检测网络的训练集并进行数据增强，同时将构建的数据集命名为烟火检测数据集；步骤2：在YOLOv4算法的基础上，使用以下改进来构建GS
‑
YOLO检测模型：1)以并行DFC注意力和残差构建ResGhost模块，以多个ResGhost构成GS
‑
YOLO检测模型的主干网络；(2)将YOLOv4转换为单一检测头，将不同扩张率的扩张卷积和感受野补充块联合；同时使用步骤1中的烟火检测数据集训练GS
‑
YOLO用于检测监控视频中是否发生烟火事故；步骤3：使用步骤2中的训练好的GS
‑
YOLO的输入加入可学习的攻击噪声；步骤4：以帧间差分法获取待检测视频火焰和烟雾的大致位置，将其以特定的长宽比进行截取，命名为Target
‑
area，作为GS
‑
YOLO的输入；步骤5：将步骤4中的Target
‑
area传入步骤3中训练好的GS
‑
YOLO，检测监控视频中烟雾和火焰；步骤6：根据步骤5中的检测结果进行相应处理，对发生烟雾和火焰的情形进行警报，实现火电厂的烟火事故的及时预警。2.根据权利要求1所述的一种基于帧间差分法和改进YOLOv4的火电厂烟火检测方法，其特征在于，所述步骤1具体为：遍历监控视频的每一帧并保存为图片，将其中的具有烟雾和发生火灾的图像并进行标注，随后进行包括翻转、旋转、调整亮度在内的增强方式后，随后采用Mosaic和MixUp数据增强技术丰富样本的背景和数据多样性后构建烟火检测数据集。3.根据权利要求1所述的一种基于帧间差分法和改进YOLOv4的火电厂烟火检测方法，其特征在于，所述步骤2具体为：以GhostNetv2为基础，利用不同的下采样率DFC注意力模块构成并行的注意力模块，使得网络注意不同尺寸下的特征；同时以残差网络构造基础的ResGhost模块，以多个ResGhost构成GS
‑
YOLO的主干特征提取网络；摒弃YOLO系列的FPN的多尺度的检测，采取将传统的特征金字塔改为一个检测头，即FPN中次大的特征C1进行预测；为弥补单一尺度所带来的感受野减少，在检测头采取5个扩张卷积提高感受野，每一层的膨胀系数分别为2，4，6，8，10，并且其间以一个残差连结，以将两种不同的感受野结合起来，同时在更低一层建立感受野补充块，融合扩张卷积和感受野补充块的感受野进行分类；GS
‑
YOLO网络以定位损失、置信度损失、分类损失为优化目标，直至模型收敛，保存测试集分类准确率最好模型的权重，使用适应性矩估计Adam优化算法来更新模...

【专利技术属性】
技术研发人员：李瑞平，赵柔君，黄丹青，左涛，周云，陈亮，王驰，燕宁江，黄超生，朱华夏，李龙，张宏国，周英强，
申请(专利权)人：国家电投集团重庆合川发电有限公司，
类型：发明
国别省市：