一种改进Yolox算法的火焰烟雾目标检测方法技术

本申请公开了一种改进Yolox算法的火焰烟雾目标检测方法，属于火焰烟雾检测领域，包括：获取火焰烟雾的图像数据，并通过数据增强对图像数据进行预处理，得到数据集；通过ACmix注意力机制和条件卷积对Yolox模型进行改进，得到Yolox

【技术实现步骤摘要】
一种改进Yolox算法的火焰烟雾目标检测方法


[0001]本申请涉及一种改进Yolox算法的火焰烟雾目标检测方法，属于火焰烟雾检测领域。

技术介绍

[0002]火灾指在时间或空间上失去控制的燃烧，常发生于森林、仓库、工厂等场所。仓库是物资集中存储的场所，包括国家、集体和个人经营的储存物品的各类货物集中地。森林、仓库等由于易燃物密集、占地面积大、火焰燃烧迅速，一旦失火，将会造成巨大的经济损失及社会影响。如何准确、快速地检测火情，一直以来都是研究的热点问题。
[0003]目前，火灾检测方法主要分为基于传感器检测和图像目标检测两大类。传统的传感器检测方式受检测距离影响，响应时间慢，实时性差，且难以获取失火地点的现场状况：如燃烧特征、火势大小等，一旦失火将会导致火势蔓延难以控制。近年来深度学习算法发展迅速，基于深度学习的火灾检测算法具有抗干扰能力强、准确率高等特点，成为当前热门的研究方向。深度学习的火灾检测研究主要分为火灾图片分类任务和火灾目标检测任务，Hosseini等人细化火灾特征类别，将火灾图片类别分为八类，提出高效可裁剪的卷积神经网络并通过投票机制对图片进行火灾分类，同时检测出视频帧的火灾和烟雾；Li等人设计了一种轻量级one
‑
stage的火焰目标检测框架，并通过火灾定位策略将火灾位置映射到真实世界中；Xu等人将特征提取网络的最后一层替换为SepViT(Separable Vision Transformer)结构，在网络中加入全局注意力机制GAM(Global Attention Mechanism)，提高了获取全局信息的能力；张彬彬等人通过改进特征金字塔网络对局部信息进行二次提取，使用大尺度卷积以获取不同尺度的全局空间信息，通过改进通道空间注意力机制提高有效信息。上述深度学习方法从数据、网络结构等方面提升了模型精度，在火灾检测表现出很好的效果，但是现有的火灾检测技术都是特定场景的火灾检测或者依靠自建的数据集训练模型。这使得模型的泛化能力有限，在实际应用的过程中无法应对更加复杂的火灾场景。并且火焰烟雾目标的形态多样性，提高了检测难度，使得检测复杂环境中的火焰和烟雾目标更具挑战性。

技术实现思路

[0004]本申请的目的在于提供一种改进Yolox算法的火焰烟雾目标检测方法，提高了火焰烟雾目标检测的检测精度和检测速度，可以在复杂场景进行火焰烟雾图像目标检测。
[0005]为实现上述目的，本申请第一方面提供了一种改进Yolox算法的火焰烟雾目标检测方法，包括：
[0006]获取火焰烟雾的图像数据，并通过数据增强对图像数据进行预处理，得到数据集；
[0007]通过ACmix注意力机制和条件卷积对Yolox模型进行改进，得到Yolox
‑
ACT模型；
[0008]基于所述数据集对所述Yolox
‑
ACT模型进行训练并得到火焰烟雾目标的预测框；
[0009]设计WHIoU损失函数，通过所述WHIoU损失函数计算所述预测框与真实框之间的长
宽耦合损失，并通过梯度回传更新所述Yolox
‑
ACT模型的参数，得到最优模型权重；
[0010]基于所述最优模型权重和所述Yolox
‑
ACT模型得到目标检测模型，通过所述目标检测模型对火焰烟雾目标进行检测。
[0011]在一种实施方式中，所述通过数据增强对图像数据进行预处理包括：
[0012]针对复杂场景下的图像数据，使用Moscia算法对复杂环境进行模拟，增强图像数据的背景信息。
[0013]在一种实施方式中，所述通过数据增强对图像数据进行预处理包括：
[0014]对所述图像数据进行标注，并在标注过程中利用Mixup算法对图像数据进行图像增强，降低图像数据的噪声。
[0015]在一种实施方式中，所述通过ACmix注意力机制和条件卷积对Yolox模型进行改进包括：
[0016]通过ACmix注意力机制设计第一改进模块，通过所述第一改进模块替换所述Yolox模型特征提取部分中的末端特征提取层；
[0017]通过条件卷积设计第二改进模块，通过所述第二改进模块替换所述Yolox模型特征融合部分和预测层中的普通卷积。
[0018]在一种实施方式中，所述第一改进模块中，输入的图像数据先通过两个卷积层，然后分别通过三个尺寸不同的最大池化层以提取不同尺度的空间信息，将三个不同尺度的空间信息拼接后通过卷积层再经过ACmix自适应的关注不同的目标区域，捕获特征信息。
[0019]在一种实施方式中，所述第二改进模块中，图像数据先通过卷积层，后经过条件卷积得到三通道输出，其中，所述三通道输出分别是类别、回归和IoU输出；
[0020]所述Yolox
‑
ACT模型基于所述三通道输出得到火焰烟雾目标的预测框。
[0021]在一种实施方式中，所述通过WHIoU损失函数计算所述预测框与真实框之间的长宽耦合损失包括：
[0022]分别计算所述预测框与真实框之间的宽度损失和高度损失，并将宽度损失和高度损失进行耦合，得到所述长宽耦合损失，其中，当预测框与真实框的宽度相同时，将所述高度损失作为所述长宽耦合损失，当预测框与真实框的高度相同时，将所述宽度损失作为所述长宽耦合损失。
[0023]在一种实施方式中，当所述高度损失和所述宽度损失都趋于零时，所述WHIoU损失函数等于DIoU损失函数。
[0024]本申请第二方面提供了一种电子设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述第一方面或者上述第一方面的任一实施方式中的步骤。
[0025]本申请第三方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现上述第一方面或者上述第一方面的任一实施方式中的步骤。
[0026]由上可见，本申请提供了一种改进Yolox算法的火焰烟雾目标检测方法，使用ACmix注意力机制和条件卷积改进并优化Yolox模型的网络结构，使改进后得到的模型能够自适应地关注不同的目标区域并捕获更多的特征信息，提升模型的检测精度；同时针对火焰烟雾目标形状的多样性，设计使用了WHIoU损失函数，进一步考虑预测框和真实框的长宽
耦合损失，提高了模型的检测性能，使模型在训练过程中更好的学习烟火目标的形状特征。此外，还采用数据增强方式对图像数据进行预处理，丰富图片的背景信息和数据集火灾特征信息，抑制了标签噪声，进一步提升模型的定位能力和泛化能力。本申请提供的火焰烟雾目标检测方法在火焰烟雾检测任务中具有良好的实验效果，在不增加模型参数的情况下，提高了模型的精度、准确率和泛化能力。
附图说明
[0027]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进Yolox算法的火焰烟雾目标检测方法，其特征在于，包括：获取火焰烟雾的图像数据，并通过数据增强对图像数据进行预处理，得到数据集；通过ACmix注意力机制和条件卷积对Yolox模型进行改进，得到Yolox
‑
ACT模型；基于所述数据集对所述Yolox
‑
ACT模型进行训练并得到火焰烟雾目标的预测框；设计WHIoU损失函数，通过所述WHIoU损失函数计算所述预测框与真实框之间的长宽耦合损失，并通过梯度回传更新所述Yolox
‑
ACT模型的参数，得到最优模型权重；基于所述最优模型权重和所述Yolox
‑
ACT模型得到目标检测模型，通过所述目标检测模型对火焰烟雾目标进行检测。2.如权利要求1所述的火焰烟雾目标检测方法，其特征在于，所述通过数据增强对图像数据进行预处理包括：针对复杂场景下的图像数据，使用Moscia算法对复杂环境进行模拟，增强图像数据的背景信息。3.如权利要求1或2所述的火焰烟雾目标检测方法，其特征在于，所述通过数据增强对图像数据进行预处理包括：对所述图像数据进行标注，并在标注过程中利用Mixup算法对图像数据进行图像增强，降低图像数据的噪声。4.如权利要求1所述的火焰烟雾目标检测方法，其特征在于，所述通过ACmix注意力机制和条件卷积对Yolox模型进行改进包括：通过ACmix注意力机制设计第一改进模块，通过所述第一改进模块替换所述Yolox模型特征提取部分中的末端特征提取层；通过条件卷积设计第二改进模块，通过所述第二改进模块替换所述Yolox模型特征融合部分和预测层中的普通卷积。5.如权利要求...

【专利技术属性】
技术研发人员：刘伟，姜庭豪，何凯，高群，王雪琪，孙一菲，高赟翔，都汝恒，
申请(专利权)人：烟台宝和机电设备有限公司，
类型：发明
国别省市：