一种基于改进PP-YOLO的火灾检测方法技术

本发明专利技术涉及一种基于改进PP

【技术实现步骤摘要】
一种基于改进PP
‑
YOLO的火灾检测方法


[0001]本专利技术属于计算机视觉和火灾检测领域，具体涉及一种基于改进PP
‑
YOLO的火灾检测方法。

技术介绍

[0002]自人类出现以来，火对人类的生存和发展至关重要，但是同时也潜在很大的安全隐患。由于具有突发性、发生频率高、蔓延速度快等特点，火灾非常容易造成巨大生命财产损失，成为了严重威胁人类生命财产安全的灾害之一。传统的火灾检测方法主要是通过安装各种基于传感器的火灾报警器来检测火灾是否发生，但这种火灾报警器也存在许多缺点和限制，它们容易受到外界环境因素比如阳光、灯光、粉尘等的影响从而产生误报；对于使用环境也有限制，只适合在室内使用；在火灾发生初期，需要传感器测量的物理量达到一定阈值才会发出警报，这会出现报警延误的情况，并且如果在空间较大的环境中，检测效果会更差。
[0003]随着图像处理技术的发展，基于图像处理的火灾检测方法开始逐渐得到关注，该方法主要是通过图像处理方法和机器学习算法相结合来进行火灾检测，但这种方法需要人工设计火灾图像特征提取方法，并且由于算法本身的限制，所以存在检测速度慢、准确性低、泛化能力差等缺点。而随着计算机视觉技术的发展，其在许多领域如图像分类、目标检测、实例分割等中能够实现高准确性、高实时性、泛化能力强等优点。目标检测是识别图像中是否有感兴趣物体并将其类别和位置检测出来，这满足火灾检测的需求，因此许多研究人员开始研究基于目标检测算法的火灾检测方法。目标检测算法中有SSD、Faster RCNN、YOLO等模型，其中应用最为广泛的是YOLO相关模型，虽然这些模型在火灾检测中能实现较高的检测精度，但仍然存在能够改进的地方，并且这些模型参数量和计算量较大，对运行设备要求较高。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进PP
‑
YOLO的火灾检测方法，在大量减少算法参数量和计算量的情况下，能够实现良好的火灾检测准确性。
[0005]为实现上述目的，本专利技术的技术方案是：一种基于改进PP
‑
YOLO的火灾检测方法，通过摄像头获取视频信号，将视频信号截取成图像并进行图像预处理；利用训练好的火灾检测模型对图像进行火焰和烟雾检测并在显示器上显示检测结果；其中，所述火灾检测模型具体为：以PP
‑
YOLO为基础模型，PP
‑
YOLO包括特征提取网络、特征融合网络和检测头；采用改进的特征融合网络加强多尺度特征融合过程、提高特征的表达能力；特征提取网络采用轻量化网络ShuffleNetv2，调整最后一个卷积层的通道数以减少模型参数量和浮点计算量，并进行知识蒸馏提高模型检测精度。
[0006]在本专利技术一实施例中，该方法具体包括如下步骤：（1）通过摄像头接收视频流信号，将视频流信号截取成图像，对图像进行预处理，
将输入图像的尺寸缩放调整为像素；（2）构建卷积神经网络模型PP
‑
YOLO，所述PP
‑
YOLO包括特征提取网络、特征融合网络和检测头，加载训练好的模型权重；（3）通过特征提取网络对输入图像进行深层特征提取，提取三个不同尺度的特征图；然后利用改进的特征融合网络进行多尺度特征融合；最后用检测头对三个不同尺度的特征图进行预测，预测出输入图像中火焰和烟雾区域的类别和位置，并进行后处理。
[0007]在本专利技术一实施例中，采用轻量化网络ShuffleNetv2来替换PP
‑
YOLO的特征提取网络，轻量化网络ShuffleNetv2采用深度卷积和逐点卷积来代替常规卷积，能够减少卷积操作所需的计算量和参数量；将轻量化网络ShuffleNetv2最后的卷积层通道数从1024调整成512来进一步压缩模型；三通道的图像尺寸为，经过特征提取网络进行深层特征提取，提取出三个不同尺度的特征图进行后续检测，三个特征图的尺寸分别为：、和。
[0008]在本专利技术一实施例中，三个不同尺寸的特征图通过改进的特征融合进行多尺度特征融合；特征融合网络利用相邻两个特征图融合生成中间融合特征图，然后将中间融合特征图融合回原来的两个相邻特征图中，使得低层特征图的特征信息能够传入高层；并在中间融合特征图之后嵌入一个注意力模块CBAM，使得模型能够通过自学习的方式选择特征途中有用的信息进行融合。
[0009]在本专利技术一实施例中，采用FGD知识蒸馏提高火灾检测模型精度。
[0010]在本专利技术一实施例中，将待检测图像输入火灾检测模型之前，需要进行火灾检测模型训练，包括以下步骤：1）收集火灾图像；2）利用标注工具对图像上的火焰和烟雾进行标注，制作成数据集；3）用数据集对火灾检测模型进行训练，保存模型训练的权重。
[0011]相较于现有技术，本专利技术具有以下有益效果：本专利技术基于目标检测算法PP
‑
YOLO，为了提高其特征金字塔网络的多尺度特征融合能力，提出了一个新的特征融合网络结构，并嵌入了一个注意力机制模块CBAM，使得三个不同尺度特征图具有更强的特征表达能力；并且，为了较少模型的参数量和计算量，引入了轻量化网络ShuffleNetv2，并调整通道数来进一步压缩模型，最后采用FGD知识蒸馏来提高模型的精度。相比其他基于深度学习的目标检测方法，本专利技术的参数量和计算量大幅度减少，适用于嵌入式设备中，同时能够保持较高的检测准确性。
附图说明
[0012]图1是本专利技术的基于改进PP
‑
YOLO火灾检测方法的流程示意图。
[0013]图2是本专利技术构建的改进PP
‑
YOLO的模型结构示意图。
[0014]图3是本专利技术构建的改进特征融合网络的结构示意图。
[0015]图4是为本实施例中图像中包括火灾信息的分类和定位效果图。
具体实施方式
[0017]下面结合附图，对本专利技术的技术方案进行具体说明。
[0018]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0019]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0020]本实施例提供了一种基于改进PP
‑
YOLO的火灾检测方法，首先通过摄像头获取视频信号，将视频信号截取成图像，然后进行图像预处理，利用训练好的火灾检测模型对图像进行火焰和烟雾检测并在图像上画出检测结果。其中，所述火灾检测模型具体为：以PP
‑
YOLO为基础模型，PP
‑
YOLO包括特征提取网络、特征融合网络和检测头；采用改进的特征融合网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进PP
‑
YOLO的火灾检测方法，其特征在于，通过摄像头获取视频信号，将视频信号截取成图像并进行图像预处理；利用训练好的火灾检测模型对图像进行火焰和烟雾检测并在显示器上显示检测结果；其中，所述火灾检测模型具体为：以PP
‑
YOLO为基础模型，PP
‑
YOLO包括特征提取网络、特征融合网络和检测头；采用改进的特征融合网络加强多尺度特征融合过程、提高特征的表达能力；特征提取网络采用轻量化网络ShuffleNetv2，调整最后一个卷积层的通道数以减少模型参数量和浮点计算量，并进行知识蒸馏提高模型检测精度。2.根据权利要求1所述的一种基于改进PP
‑
YOLO的火灾检测方法，其特征在于，该方法具体包括如下步骤：（1）通过摄像头接收视频流信号，将视频流信号截取成图像，对图像进行预处理，将输入图像的尺寸缩放调整为 像素；（2）构建卷积神经网络模型PP
‑
YOLO，所述PP
‑
YOLO包括特征提取网络、特征融合网络和检测头，加载训练好的模型权重；（3）通过特征提取网络对输入图像进行深层特征提取，提取三个不同尺度的特征图；然后利用改进的特征融合网络进行多尺度特征融合；最后用检测头对三个不同尺度的特征图进行预测，预测出输入图像中火焰和烟雾区域的类别和位置，并进行后处理。3.根据权利要求2所述的一种基于改进PP
‑
YOLO的火灾检测方法，...

【专利技术属性】
技术研发人员：禹杰，陈创茂，
申请(专利权)人：福州大学，
类型：发明
国别省市：