基于深度学习的轻量级消防通道堵塞检测方法技术

本发明专利技术公开了基于深度学习的轻量级消防通道堵塞检测方法，涉及消防通道堵塞检测技术领域，基于YOLOv5目标检测模型，在其基础之上针对当前消防通道场景进行相关优化改进；本发明专利技术通过在嵌入式AI摄像头中部署已经训练完的消防通道堵塞检测的深度学习模型，能够实现在线推理功能，提供的推理API接口可以调用已在云端部署的模型进行推理工作，并可以根据推理结果定制自定义返回的结果报告，实时监测当前检测情况是否为堵塞情况，实现在云端进行模型快速管理的功能，并且提供简单的API接口进行快速管理配置。快速管理配置。快速管理配置。

【技术实现步骤摘要】
基于深度学习的轻量级消防通道堵塞检测方法


[0001]本专利技术涉及消防通道堵塞检测
，尤其涉及基于深度学习的轻量级消防通道堵塞检测方法。

技术介绍

[0002]基于深度学习的消防通道堵塞检测技术的研究，其主要目的是为了能够有效的减少由于消防通道堵塞或占用而导致的重大火灾事故的发生，在消防通道被堵塞或占用时，可以通过模型来识别消防通道中存在的障碍物，同时发出预警提示给相关保安或者负责人及时处理堵塞情况。同时还可以将图片保存作为处罚和追责的工具，反馈给有关的消防部门；
[0003]本部分研究内容是针对消防通道场景下，对目标检测的神经网络模型进行相关优化处理：一是，在大多数楼栋住宅的消防通道场景下，堵塞占用的情况往往是家庭日用品，自行车，或者废弃品，如纸箱，生活垃圾等杂物堆积而造成的堵塞，这种堵塞的检测往往存在很多重叠或遮挡的情况，给模型的检测带来困难；二是，该系统需要将摄像头采集到的图像数据在摄像头中的目标检测模型进行相关识别，而一般来说嵌入式设备推理能力有限，如果模型推理的速度过慢，会影响整个系统的正常运行，所以需要设计一种兼顾检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的轻量级消防通道堵塞检测方法，其特征在于，该消防通道堵塞检测方法主要包括以下步骤：S1、模型轻量化；S2、模型的边界框损失函数优化；S3、融合CA注意力机制；S4、面向消防通道场景下的自适应图像增强。2.根据权利要求1所述的基于深度学习的轻量级消防通道堵塞检测方法，其特征在于，步骤S1中所述模型轻量化是将YOLOv5的主干网络替换为轻量化网络MobileNetV3，其特点具体表现为：MobileNetV3采用了深度可分离卷积，深度分离卷积是MobileNet系列的主要特点，也是其发挥轻量级作用的主要因素，深度可分离卷积分为两个过程：a、channel方向通道可分离卷积；b、正常的1x1卷积输出指定的channel个数；MobileNet使用3
×
3深度可分离卷积，其计算量比标准卷积少8
‑
9倍，而仅在精度上有小幅下降。3.根据权利要求1所述的基于深度学习的轻量级消防通道堵塞检测方法，其特征在于，步骤S2中通过引入EIoU损失优化原有CIoU损失，EIOU是在CIOU的惩罚项基础上将预测框和真实框的纵横比的影响因子拆开，分别计算预测框和真实框的长和宽，来解决CIOU存在的问题，具体为：问题，具体为：其中EIOU损失函数包含三个部分：预测框和真实框的重叠损失L
IOU
，预测框和真实框的中心距离损失L
dis
，预测框和真实框的宽和高损失L
asp
；EIOU损失的前两部分延续CIOU中的方法，但是宽高损失直接使预测框与真实框的宽度和高度之差最小，使得收敛速度更快，且不受宽和高为线性比例时失效的影响。4.根据权利要求1所述的基于深度学习的轻量级消防通道堵塞检测方法，其特征在于，步骤S3中所述CA注意力机制可看作增强移动网络特征表达能力的计算单元，接受中间特征：X＝[x1，x2，
…
，x
C
]∈R
C
×
H
×
W
ꢀꢀꢀꢀ
(3.15)作为输入，同时输出与X大小完全相同的增强特征：Y＝[y1，y2，
…
，y
C
]
ꢀꢀꢀꢀꢀꢀ
(3.16)。5.根据权利要求1所述的基于深度学习的轻量级消防通道堵塞检测方法，其特征在于，步骤S4中利用人工神经网络对图像进行自适应的增强，实现反射率/照度分解和弱光增强的结合，该人工神经网络由分解、调整和重构三个步骤组成，具体如下：在分解步骤中，通过一个分解网络将输入图像分...

【专利技术属性】
技术研发人员：周子越，杜勇前，林雨，王立川，黄宇鹏，
申请(专利权)人：华侨大学，
类型：发明
国别省市：