一种基于MPGD-YOLO网络的火焰检测方法技术

本发明专利技术公开了一种基于MPGD

【技术实现步骤摘要】
一种基于MPGD
‑
YOLO网络的火焰检测方法


[0001]本专利技术属于深度学习和计算机图像目标检测
，特别涉及一种基于MPGD
‑
YOLO网络的火焰检测方法及系统，主要是在YOLOv7的基础上通过P
‑
GAM去在保证速度的前提下去提高特征提取的精度，然后用MbO结构去轻量化模型，提升速度的同时提升一定精度，然后通过SPPCSPC
‑
group减少参数量和计算量，再通过DWMPG去提高对小目标的识别，最后再通过带STV2模块辅助头进行训练得到目标模型，只牺牲训练成本去达到提高预测时精度。目标模型可以在复杂环境下高速度、高精度的去检测火焰。

技术介绍

[0002]近年来，火灾问题一直是人类生命财产安全的重要威胁。而火焰是火灾的重要特点之一，快速高效的火焰检测可以大大减少火灾的初始规模，及时灭火使损失降到最小化。
[0003]现在，随着计算机的算力不断提升，基于深度学习的目标检测方法再精度和速度上都有显著的提升。基于深度学习的火焰检测方法，如2022年才提出的Y本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MPGD
‑
YOLO网络的火焰检测方法，其特征在于，包括步骤：步骤1：搭建YOLOv7基础模型框架，在backbone网络中的4层Conv层中加入P
‑
GAM注意力模块；步骤2：用MbO模块替换backbone中的ELAN模块；步骤3：将neck网络中的金字塔池化模块更改为SPPCSPC
‑
group模块；步骤4：然后将head网络中的MP模块替换为DWMPG模块；步骤5：将火焰训练集放入MPGD
‑
YOLO网络模型中，并加入STV2模块到辅助头中进行训练得到目标模型，再将要检测的火焰数据放入目标模型，得到检测结果。2.根据权利要求1所述的一种基于MPGD
‑
YOLO网络的火焰检测方法，其特征在于，所述步骤1的具体方法为：步骤1.1：定义P
‑
GAM类；步骤1.2：在P
‑
GAM类中定义Channel Attention Module(通道注意力模块)和Spatial Attention Module(空间注意力模块)，Channel Attention Module：先进行维度转换，经过维度转换的特征图输入到MLP,再转换为原来的维度，进行ACON
‑
C处理输出；Spatial Attention Module：先通过卷积核为7的卷积缩减通道数量，缩小计算量，在经过一个卷积核为7的卷积操作，增加通道数量，保持通道数量的一致，最后经过L
‑
ACON输出，L
‑
ACON函数方程：步骤1.3：首先在优先程度上，赋予通道和空间注意力模块相同的等级，然后采取加权融合方式对混合的区域特征信息进行特征提取；步骤1.4：加入1
×
1的卷积层作为残差块；步骤1.4：将P
‑
GAM放入网络结构中。3.根据权利要求2所述的一种基于MPGD
‑
YOLO网络的火焰检测方法，其特征在于，所述步骤2的具体方法为：步骤2.1：定义MbO类；步骤2.2：在类中定义DepthWiseConv模块和PointWiseConv模块，结构和常规的卷积类似，Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积；PointWiseConv的卷积核的尺寸为1
×1×
M，M为上一层的通道数；步骤2.3：定义MobileOneBlock模块，包括上、下两部分构成，上半部分基于Depthwise ...

【专利技术属性】
技术研发人员：严云洋，冷志超，祝巧巧，董可，王盘龙，叶翔，肖绍章，顾家铭，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：