【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:
[0 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。