基于改进制造技术

本发明专利技术涉及基于改进

【技术实现步骤摘要】
基于改进YOLOV7的火灾目标检测方法


[0001]本专利技术涉及火灾检测
，更确切地说，它涉及基于改进
YOLOV7
的火灾目标检测方法
。

技术介绍

[0002]随着我国城市化的逐步推进，火灾的危险系数也越来越高
。
火灾燃烧物的类型变得更加多样，燃气火，汽油火以及其他化学物起火变的更加常见，且易发生轰燃
。
此类情形下的火灾检测，对于检测的精确率，快速性，以及误报率有更高的要求
。
[0003]传统的基于传感器的火灾检测方式，采用如温度
、
烟雾
、
二氧化碳等传感器，存在覆盖范围有限
、
响应速度慢
、
误报率高等缺点
。
因此，基于视觉的火灾检测方法受到了越来越多的关注，利用图像中的特征信息来识别火焰和烟雾，具有覆盖范围广
、
响应速度快
、
成本低等优点
。
[0004]基于视觉的火灾检测方法中，目标检测模型是被普遍采用的检测方法，它可以同时输出目标的类别和位置信息
。
目标检测模型中的单阶段检测模型，如
SSD、YOLO
等，相比于两阶段模型具有更快的检测速度和更低的计算复杂度，更适合实时性要求较高的火灾目标检测
。
[0005]YOLOv7
目标检测模型作为一种经典的单阶段目标检测模型，在多种不同场景下的火灾检测中，均有较高的检测精确度和检测速度，尤其是在小目标检测方面，优于其他目标检测模型，证明了其在火灾检测中的有效性和适用性
。
但也存在着对类火灾目标的误检率较高
、
对复杂背景敏感等问题
。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提出了基于改进
YOLOV7
的火灾目标检测方法
。
[0007]第一方面，提供了基于改进
YOLOV7
的火灾目标检测方法，包括：
[0008]S1、
获取火灾图像数据，并对图像中的火焰进行标注，构建数据集；所述数据集包括训练集
、
验证集和测试集；
[0009]S2、
构建基于改进
YOLOV7
的火灾检测模型；所述火灾检测模型在
YOLOv7
目标检测模型的框架上采用
EfficientNetV2
‑
S
网络提取特征图，并在
EfficientNetV2
‑
S
网络中引入
CA
注意力机制，且采用
CIoU
损失函数作为位置损失函数，采用引入正样本权重系数的二元交叉熵函数作为置信度损失函数；
[0010]S3、
将数据集输入所述基于改进
YOLOV7
的火灾检测模型，输出火灾检测结果
。
[0011]作为优选，
S2
中，从
EfficientNetV2
‑
S
网络中提取三个大小不同的特征图，分别经过
RepConv
卷积后输入到
YOLOv7
的三个检测头中
。
[0012]作为优选，
S2
中，置信度损失函数
Loss
co
表示为：
[0013][0014][0015]其中，
S
×
S
表示特征图中的
i
个网格，
B
表示
j
个先验框；在第
i
个网格的第
j
个先验框中有目标时取1，反之取0；为的值取反，即在第
i
个网格的第
j
个先验框有目标则取0，无目标则取1；分别表示预测框与标注框的置信度；
λ
noobj
为权重系数，
λ
obj
为正样本权重系数
。
[0016]作为优选，
S2
中，
CIoU
是在
IoU
的基础上，针对预测框与标注框的中心点坐标的关系
、
长宽比例的相似程度进行改进，
IoU
表示为：
[0017][0018]其中，
M
为标注框，
N
为预测框；
[0019]CIoU
表示为：
[0020][0021]其中，
Box、Box
t
分别为预测框和标注框的中心坐标，
ρ
(Box,Box
t
)
为二者中心坐标的距离；
c
为同时完整包含预测框与标注框的最小矩形的对角线长度，
v
用于计算预测框宽高比与标注框的近似程度，
v
的值越小表明其宽高比越接近标注框
。
[0022]作为优选，
S2
中，预测框宽高比与标注框的近似程度
v
的计算公式为：
[0023][0024]其中，
w、w
t
为预测框和标注框的宽；
h、h
t
为二者的高
。
[0025]作为优选，还包括：
[0026]S4、
通过精确率
P、
召回率
R、
平均精度
mAP
和检测速度，对基于改进
YOLOV7
的火灾检测模型进行评价
。
[0027]第二方面，提供了基于改进
YOLOV7
的火灾目标检测系统，用于执行第一方面任一所述的基于改进
YOLOV7
的火灾目标检测方法，包括：
[0028]获取模块，用于获取火灾图像数据，并对图像中的火焰进行标注，构建数据集；所述数据集包括训练集
、
验证集和测试集；
[0029]构建模块，用于构建基于改进
YOLOV7
的火灾检测模型；所述火灾检测模型在
YOLOv7
目标检测模型的框架上采用
EfficientNetV2
‑
S
网络提取特征图，并在
EfficientNetV2
‑
S
网络中引入
CA
注意力机制，且采用
CIoU
损失函数作为位置损失函数，采用引入正样本权重系数的二元交叉熵函数作为置信度损失函数；
[0030]输出模块，用于将数据集输入所述基于改进
YOLOV7
的火灾检测模型，输出火灾检测结果
。
[0031]第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于改进
YOLOV7
的火灾目标检测方法，其特征在于，包括：
S1、
获取火灾图像数据，并对图像中的火焰进行标注，构建数据集；所述数据集包括训练集
、
验证集和测试集；
S2、
构建基于改进
YOLOV7
的火灾检测模型；所述火灾检测模型在
YOLOv7
目标检测模型的框架上采用
EfficientNetV2
‑
S
网络提取特征图，并在
EfficientNetV2
‑
S
网络中引入
CA
注意力机制，且采用
CIoU
损失函数作为位置损失函数，采用引入正样本权重系数的二元交叉熵函数作为置信度损失函数；
S3、
将数据集输入所述基于改进
YOLOV7
的火灾检测模型，输出火灾检测结果
。2.
根据权利要求1所述的基于改进
YOLOV7
的火灾目标检测方法，其特征在于，
S2
中，从
EfficientNetV2
‑
S
网络中提取三个大小不同的特征图，分别经过
RepConv
卷积后输入到
YOLOv7
的三个检测头中
。3.
根据权利要求2所述的基于改进
YOLOV7
的火灾目标检测方法，其特征在于，
S2
中，置信度损失函数
Loss
co
表示为：其中，
S
×
S
表示特征图中的
i
个网格，
B
表示
j
个先验框；在第
i
个网格的第
j
个先验框中有目标时取1，反之取0；为的值取反，即在第
i
个网格的第
j
个先验框有目标则取0，无目标则取1；分别表示预测框与标注框的置信度；
λ
noobj
为权重系数，
λ
obj
为正样本权重系数
。4.
根据权利要求3所述的基于改进
YOLOV7
的火灾目标检测方法，其特征在于，
S2
中，
CIoU
是在
IoU
的基础上，针对预测框与标注框的中心点坐标的关系
、
长宽比例的相似程度进行改进，
IoU
表示为：其中，

【专利技术属性】
技术研发人员：肖铎，龚文强，刘泓，戚伟，谢浩，殷锐，袁建涛，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：