本发明专利技术涉及一种适用于无人机平台的火灾实时检测方法及系统。获取无人机火灾图像数据集；对无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集；建立改进后的YOLOv5网络模型；对预处理后的无人机火灾图像数据集进行训练，得到无人机火灾检测模型权重；根据无人机火灾检测模型权重，将预处理后的无人机火灾图像数据集输入至改进后的YOLOv5网络模型，得到火灾实时检测模型；对火灾实时检测模型的性能进行验证、测试和评估。本发明专利技术能够快速准确地针对无人机图像特点进行火灾实时检测。行火灾实时检测。行火灾实时检测。
【技术实现步骤摘要】
一种适用于无人机平台的火灾实时检测方法及系统
[0001]本专利技术涉及目标检测领域，特别是涉及一种适用于无人机平台的火灾实时检测方法及系统。
技术介绍
[0002]火灾是世界性的自然灾害之一，也是日常生活中主要灾害，其发生发展不仅对自然环境有着严重影响，还威胁着人们的生命与财产安全，因此及时准确地发现火灾并预警具有十分重要的研究和现实意义。近年来由于自然和人为原因引发的火灾已造成极大的人员伤亡和生态破坏。
[0003]常规无人机火灾检测通过无人机搭载温度、烟雾传感器采集相关数据进行相关处理后实现火灾检测，但是检测准确性和实时性得不到保证。随着计算机技术和人工智能技术的不断发展，深度学习技术已经在图像识别和检测方面展示了良好性能，被广泛应用到火灾检测和预警。现有技术中，申请号为202110358662.6公开了一种基于无人机的森林火灾检测系统，其无人机平台搭载红外热成像仪、空气采集装置等，通过热成像图像判断巡查区域是否存在火灾隐患，也可通过分析空气样本中的可燃气体、烟雾浓度判断空气采集点是否存在火灾隐患，但成本较高，火灾信息处理速度较慢，实时性较差。申请号为202211629322.3公开了一种基于无人机实时视频流的火灾检测方法及系统，火灾数据为常规火灾图像，以Darknet为训练框架，YOLOv4
‑
Tiny为基础模型，通过改进原模型激活函数、增加注意力机制来提高模型性能，通过模型剪枝降低模型参数量以期可适用于无人机平台，但其训练数据集为常规火灾图像，改进方法并未针对无人机图像特点，不具有在无人机平台部署的条件。
[0004]综上所述，现有技术中亟需一种适用于无人机平台的火灾实时检测方法及系统。
技术实现思路
[0005]本专利技术的目的是提供一种适用于无人机平台的火灾实时检测方法及系统，能够快速准确地针对无人机图像特点进行火灾实时检测。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种适用于无人机平台的火灾实时检测方法包括：
[0008]获取无人机火灾图像数据集；
[0009]对所述无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集；
[0010]建立改进后的YOLOv5网络模型；
[0011]对所述预处理后的无人机火灾图像数据集进行训练，得到无人机火灾检测模型权重；
[0012]根据所述无人机火灾检测模型权重，将所述预处理后的无人机火灾图像数据集输入至所述改进后的YOLOv5网络模型，得到火灾实时检测模型；
[0013]对所述火灾实时检测模型的性能进行验证、测试和评估。
[0014]可选地，还包括：
[0015]将所述火灾实时检测模型部署至无人机平台。
[0016]可选地，所述对所述无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集，具体包括：
[0017]对所述无人机火灾图像数据集进行筛选，剔除不符合要求的图像，得到筛选数据集；
[0018]对所述筛选数据集通过图像旋转、裁剪、镜像、加噪的方法扩充数据集，得到泛化后的数据集；
[0019]采用Labelme软件对所述泛化后的数据集所有图像进行人工标注。
[0020]可选地，所述建立改进后的YOLOv5网络模型，具体包括：
[0021]修改YOLOv5网络模型的特征提取骨干网络；
[0022]修改YOLOv5网络模型的检测尺度；
[0023]对YOLOv5网络模型加入CBAM注意力机制。
[0024]可选地，所述对所述火灾实时检测模型的性能进行验证、测试和评估，具体包括：
[0025]将所述预处理后的无人机火灾图像数据集分为验证数据集和测试数据集；
[0026]将所述权重和所述验证数据集输入所述火灾实时检测模型，验证所述火灾实时检测模型模型性能；
[0027]将所述权重和所述测试数据集输入所述火灾实时检测模型，测试所述火灾实时检测模型模型性能；
[0028]计算所述火灾实时检测模型的均值平均精度、召回率指标。
[0029]一种适用于无人机平台的火灾实时检测系统包括：
[0030]数据集获取模块，用于获取无人机火灾图像数据集；
[0031]数据集预处理模块，用于对所述无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集；
[0032]网络模型建立模块，用于建立改进后的YOLOv5网络模型；
[0033]权重确定模块，用于对所述预处理后的无人机火灾图像数据集进行训练，得到无人机火灾检测模型权重；
[0034]火灾实时检测模型确定模块，用于根据所述无人机火灾检测模型权重，将所述预处理后的无人机火灾图像数据集输入至所述改进后的YOLOv5网络模型，得到火灾实时检测模型；
[0035]验证测试评估模块，用于对所述火灾实时检测模型的性能进行验证、测试和评估。
[0036]可选地，还包括：
[0037]部署模块，用于将所述火灾实时检测模型部署至无人机平台。
[0038]可选地，所述数据集预处理模块，具体包括：
[0039]筛选单元，用于对所述无人机火灾图像数据集进行筛选，剔除不符合要求的图像，得到筛选数据集；
[0040]泛化单元，用于对所述筛选数据集通过图像旋转、裁剪、镜像、加噪的方法扩充数据集，得到泛化后的数据集；
[0041]标注单元，用于采用Labelme软件对所述泛化后的数据集所有图像进行人工标注。
[0042]可选地，所网络模型建立模块，具体包括：
[0043]骨干网络提取单元，用于修改YOLOv5网络模型的特征提取骨干网络；
[0044]检测尺度修改单元，用于修改YOLOv5网络模型的检测尺度；
[0045]CBAM注意力机制加入单元，用于对YOLOv5网络模型加入CBAM注意力机制。
[0046]可选地，所述验证测试评估模块，具体包括：
[0047]数据集划分单元，用于将所述预处理后的无人机火灾图像数据集分为验证数据集和测试数据集；
[0048]验证单元，用于将所述权重和所述验证数据集输入所述火灾实时检测模型，验证所述火灾实时检测模型模型性能；
[0049]测试单元，用于将所述权重和所述测试数据集输入所述火灾实时检测模型，测试所述火灾实时检测模型模型性能；
[0050]指标计算单元，用于计算所述火灾实时检测模型的均值平均精度、召回率指标。
[0051]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：
[0052]本专利技术提供一种适用于无人机平台的火灾实时检测方法，该方法包括：获取无人机火灾图像数据集；对无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集；建立改进后的YOLOv5网络模型；对预处理后的无人机火灾图像数据集进行训练，得到无人机火灾检测模型权重；根据无人机火灾检测模型权重，将预处理后的无本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种适用于无人机平台的火灾实时检测方法，其特征在于，包括：获取无人机火灾图像数据集；对所述无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集；建立改进后的YOLOv5网络模型；对所述预处理后的无人机火灾图像数据集进行训练，得到无人机火灾检测模型权重；根据所述无人机火灾检测模型权重，将所述预处理后的无人机火灾图像数据集输入至所述改进后的YOLOv5网络模型，得到火灾实时检测模型；对所述火灾实时检测模型的性能进行验证、测试和评估。2.根据权利要求1所述的适用于无人机平台的火灾实时检测方法，其特征在于，还包括：将所述火灾实时检测模型部署至无人机平台。3.根据权利要求1所述的适用于无人机平台的火灾实时检测方法，其特征在于，所述对所述无人机火灾图像数据集进行预处理，得到预处理后的无人机火灾图像数据集，具体包括：对所述无人机火灾图像数据集进行筛选，剔除不符合要求的图像，得到筛选数据集；对所述筛选数据集通过图像旋转、裁剪、镜像、加噪的方法扩充数据集，得到泛化后的数据集；采用Labelme软件对所述泛化后的数据集所有图像进行人工标注。4.根据权利要求1所述的适用于无人机平台的火灾实时检测方法，其特征在于，所述建立改进后的YOLOv5网络模型，具体包括：修改YOLOv5网络模型的特征提取骨干网络；修改YOLOv5网络模型的检测尺度；对YOLOv5网络模型加入CBAM注意力机制。5.根据权利要求1所述的适用于无人机平台的火灾实时检测方法，其特征在于，所述对所述火灾实时检测模型的性能进行验证、测试和评估，具体包括：将所述预处理后的无人机火灾图像数据集分为验证数据集和测试数据集；将所述权重和所述验证数据集输入所述火灾实时检测模型，验证所述火灾实时检测模型模型性能；将所述权重和所述测试数据集输入所述火灾实时检测模型，测试所述火灾实时检测模型模型性能；计算所述火灾实时检测模型的均值平均精度、召回率指标。6.一种适用于无人机平台的火灾实时检测系统，其特征在于，包括：数据集获取模块，用于获取无人机火灾图像数据集；数据集预处理模块，用...
【专利技术属性】
技术研发人员：苏小东，陈霖周廷，高宏建，韩宇，胡建兴，汪超，张羽，太云东，张宏辉，
申请(专利权)人：贵州理工学院，
类型：发明
国别省市：
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。