基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法技术

本发明专利技术提供了一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，包括以下步骤：获取待检测区域内监控视频中的当前帧图像；采用改进的YOLOv4神经网络模型提取图像中可能存在烟雾的候选区域；根据烟雾区域的实际场景引入高斯烟雾羽流模型，优化YOLOv4

【技术实现步骤摘要】
基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法


[0001]本专利技术属于图像检测
，具体涉及一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法。

技术介绍

[0002]事实上，几十年来，安全事故早期隐患探测已经成为我们国家乃至全人类社会的迫切需求，因此需要对工厂生产过程中泄漏气体、火灾隐患实现全方位监控，做到早发现、早解决。近年来，基于视频的烟雾检测方法因其非接触检测、覆盖范围大、成本低等优点，受到越来越多的关注。
[0003]相比于经典且热门的以车辆、人体或面容为主要目标的检测问题，室外烟雾目标的检测问题对于所选取方法的特征表征能力、响应速度以及鲁棒性要求更高。早期的烟雾检测算法研究中，主要是以静态的包含烟雾的图片数据作为训练、检测对象，为了提高对目标数据集的检测精确度，所以更多的是针对传统的机器学习方法，即特征提取器的设计进行研究。尽管基于传统特征的烟雾检测技术已经经历了很长时间的发展并取得了令人鼓舞的进步，但其局限性在于制作识别特征的过程非常复杂，人工、时间成本大；且以现在的角度来看具有过拟合严重问题，同时极易受到各种干扰等一系列问题。因此研究学者们开始采用深度学习(Deep Learning)作为基于视频序列的烟雾检测方法。然而基于深度学习的烟雾检测方法在实际应用中依然存在较大的问题，数据漏检、误检的情况频发，如果要维持较好的检测精度，检测精度与检测速度便会成为“鱼和熊掌”的取舍关系。
[0004]采用深度学习方法进行工厂园区烟雾检测时还存在以下不足：
[0005](1)通用目标检测模型在特定场景下实时性不足，现成设备算力有限，在工厂园区场景下，视频流检测带来的计算量压力会对模型的检测速度带来较大的影响；
[0006](2)距离不定、光线影响、光斑干扰、目标尺度变化等环境影响因素会造成烟雾目标检测精度的下降，使得漏检、误检问题频发。
[0007]因此，亟需一种实时性强、检测速率快、检测精度高的工厂烟雾检测方法。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法。本专利技术旨在解决现有烟雾检测方法实时性不足、检测速率慢、检测精度低的问题。
[0009]为达到上述目的，本专利技术提供了一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，包括以下步骤：
[0010]S1.获取待检测区域内监控视频中的当前帧图像；
[0011]S2.对获得的当前帧图像进行烟雾检测，包括：
[0012](1).采用改进的YOLOv4神经网络模型提取图像中可能存在烟雾的候选区域；
[0013](2).根据烟雾区域的实际场景引入高斯烟雾羽流模型，优化YOLOv4
‑
Mini模型的
损失函数；
[0014](3).对损失函数修正后的YOLOv4
‑
Mini模型进行训练，之后进行烟雾检测。
[0015]进一步，所述YOLOv4神经网络模型的改进包括：
[0016]a.基于Model Scaling原理对YOLOv4神经网络模型的Backbone网络部分进行轻量化设计，得到YOLOv4
‑
mini检测模型；
[0017]b.设计多尺度特征聚合模块，设计完毕后，加入YOLOv4
‑
mini检测模型的Neck结构中。
[0018]进一步，所述YOLOv4轻量化设计的过程如下：
[0019]a1.将主干网络CSPDarkNet53的标准卷积更改为深度可分离卷；
[0020]所述深度可分离卷积有两层：第一层是深度卷积，深度卷积将单个卷积核应用于每个输入通道；第二层是一个1
×
1的点卷积，点卷积利用一个1
×
1的卷积核将输出与深度卷积结合起来；
[0021]a2.基于深度分离卷积，改变卷积集的连接方式，将每个卷积集的原始输入与输出拼接；
[0022]a3.对网络卷积层数深度进行缩放，对网络通道宽度进行缩放。
[0023]进一步，所述多尺度特征聚合模块设计过程中，引入了RFB模块。
[0024]进一步，所述多尺度特征聚合模块有自下而上和自上而下两个路径。
[0025]进一步，所述步骤S2中，YOLOv4
‑
Mini模型损失函数的优化过程如下：
[0026]I.对持续有源扩散烟雾的扩散过程进行假设，假设如下：
[0027]①
.烟雾扩散源在一段时间内稳定且持续；
[0028]②
.烟雾在大气中呈均匀、随机扩散；
[0029]③
.扩散过程中风向、风速保持不变；
[0030]④
.扩散过程中地面对烟雾扩散不发生吸附，不考虑沉降效应；
[0031]II.基于假设，引入高斯烟羽模型，计算在大气中持续扩散的烟雾在任意一点任意时刻的浓度C(x，y，z，t)；
[0032][0033]式中，C(x，y，z，t)为距扩散源下风向x米、横风向y米、垂直地面高度z米且在扩散发生后t秒处的烟雾浓度，单位mg
·
m
‑3；A(x)为过渡函数；a、b、c为常数项；片为烟雾源高度，单位m；u为环境风速，单位m/s；t
i
为第i个烟雾源发生的时刻，即主要烟雾目标峰值时间；
[0034]III.概率论中数理统计部分的方差公式
[0035][0036]式中，σ
x
为x方向，即下风向上的扩散参数，单位m；σ
y
为y方向，即横风向上的扩散参数，单位m；σ
z
为z方向，即垂直地面方向的扩散参数，单位m；
[0037]Ⅳ.根据假设
①
得到扩散源相关公式
[0038][0039]式中，Q为烟雾源排放量，单位mg；
[0040]V.在不考虑时间影响的前提下，将式(1)带入式(2)，可得常数项a、b、c；
[0041][0042]VI.将式(1)与式(4)代入式(3)，求解出A(x)；
[0043][0044]VII.将式(4)与式(5)代入式(1)可得
[0045][0046]VIII.只考虑烟雾扩散过程随时间的变化情况，对式(6)进行简化，可得随时间变化的烟雾浓度值C(t)；
[0047][0048]IX.将随时间变化的烟雾浓度值C(t)作为修正值，代入YOLOv4置信度损失函数部分，可以得到新的obj_loss；
[0049][0050]式中，表示遍历所有预测框；I的值非0即1，判断是否为负样本；C
i
为预测值；为样本值。
[0051]进一步，所述修正值C(t)在区间[1，2]之间。
[0052]本专利技术的有益效果在于：
[0053]本专利技术提供了一种基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，其特征在于，包括以下步骤：S1.获取待检测区域内监控视频中的当前帧图像；S2.对获得的当前帧图像进行烟雾检测，包括：(1).采用改进的YOLOv4神经网络模型提取图像中可能存在烟雾的候选区域；(2).根据烟雾区域的实际场景引入高斯烟雾羽流模型，优化YOLOv4
‑
Mini模型的损失函数；(3).对损失函数修正后的YOLOv4
‑
Mini模型进行训练，之后进行烟雾检测。2.根据权利要求1所述的基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，其特征在于，所述YOLOv4神经网络模型的改进包括：a.基于ModelScaling原理对YOLOv4神经网络模型的Backbone网络部分进行轻量化设计，得到YOLOv4
‑
mini检测模型；b.设计多尺度特征聚合模块，设计完毕后，加入YOLOv4
‑
mini检测模型的Neck结构中。3.根据权利要求2所述的基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，其特征在于，所述YOLOv4轻量化设计的过程如下：a1.将主干网络CSPDarkNet53的标准卷积更改为深度可分离卷；所述深度可分离卷积有两层：第一层是深度卷积，深度卷积将单个卷积核应用于每个输入通道；第二层是一个1
×
1的点卷积，点卷积利用一个1
×
1的卷积核将输出与深度卷积结合起来；a2.基于深度分离卷积，改变卷积集的连接方式，将每个卷积集的原始输入与输出拼接；a3.对网络卷积层数深度进行缩放，对网络通道宽度进行缩放。4.根据权利要求2所述的基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，其特征在于：所述多尺度特征聚合模块设计过程中，引入了RFB模块。5.根据权利要求4所述的基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，其特征在于：所述多尺度特征聚合模块有自下而上和自上而下两个路径。6.根据权利要求1所述的基于高斯烟雾羽流模型和改进YOLOv4的工厂烟雾检测方法，其特征在于：所述步骤S2中，YOLOv4
‑
Mini模型损失函数的优化过...

【专利技术属性】
技术研发人员：程森林，李咏寒，雷晗，赵志威，韩雨，
申请(专利权)人：重庆大学，
类型：发明
国别省市：