【技术实现步骤摘要】
本专利技术涉及火灾检测领域，具体是一种动态多尺度注意力网络的火灾检测方法。
技术介绍
1、火灾威胁着人类的生命和财产安全，严重时会造成巨大经济损失和人员伤亡。随着经济快速发展，城市建筑物的规模越来越大，火情愈加复杂，灭火难度也随之增大。目前的灭火方式仍然以人工灭火为主，在灭火过程中，经常有消防人员受伤甚至牺牲。
2、发展安全和高效的消防手段，如在火灾发生前使用摄像头等设备进行火灾监测，火灾发生后使用消防机器人代替人工灭火可以有效减少人员伤亡和财产损失。消防机器人主要通过摄像头等设备对火场情况进行探索，基于图像对火灾目标进行精确识别是消防机器人高效灭火的关键，且消防机器人对火灾目标检测有着较高的实时性和准确性的要求，所以，针对基于图像的火灾检测方法进行研究具有重要的价值。
3、odconv利用一种新颖的多维注意力机制和并行策略来学习卷积核在任意卷积层的内核空间中的四个维度上的互补注意力。
4、ema是一种新颖高效的多尺度注意力模块，通过将部分通道重塑为批量维度，并分组为多个子特征，可以保留每个通道上的维度信息，从而使空间语义在每个子特征组内均匀分布。
5、frelu是针对图像识别任务提出的一种简单有效的漏斗激活方法，通过增加可忽略不计的空间条件开销，将relu和prelu扩展为二维激活方法。此外，空间条件通过规则卷积捕捉复杂的视觉布局，实现像素级建模能力。
6、gelu即高斯误差线性单元，一个高性能的神经网络激活函数，与relu等激活函数相比，gelu更加平滑，有助于提高
7、dynamicatss是一种简单有效的基于可预测训练状态的标签分配方法。通过在标签赋值中引入预测，选择更多对真实值iou影响较大的高质量样本作为正样本，可以减小分类得分与iou得分之间的差异，并生成更多高质量的边界框。
8、eiou是一种高效交叉联合损失，它明确测量了边界框回归中三个几何因素即重叠区域、中心点和边长之间的差异。α-iou即alpha-iou，用于精确的边界框回归和目标检测，可以通过调制，为检测头提供更大的灵活性，以实现不同尺度边界框回归精度，在实验中α取3时可得到更好的检测性能。
9、alignmix即alignmixup是一种强大的数据增强方法，可以在输入特征的目标标签中进行插值，通过在特征空间中对两个图像进行几何对齐，可以在两组特征之间进行插值，并保持一组特征的位置，同时可以保留一个图像的几何形状或姿势以及另一个图像的纹理。
10、yolov7算法是一种实时物体检测器框架和相应的模型缩放方法。yolov7将模型重参数化引入到网络架构中，通过增大训练结构换取更小的推理结构，同时保留推理性能。主干网络使用高效聚合网络elan，在不改变原有的梯度传输路径情况下，利用组卷积来增加新增特征的基数，将不同组的特征组合起来，提高参数的利用率和计算效率。
11、yolov7算法虽然拥有优秀的检测性能，但在面对复杂火灾场景如工厂火灾、隧道火灾等存在烟雾干扰的场景时，对火灾特征的提取能力仍然存在不足，导致无法准确提取真实火灾场景特征，影响火灾检测的速度和精度。
技术实现思路
1、专利技术目的：针对
技术介绍
中指出的对火灾场景的特征容易丢失的问题，本专利技术公开一种动态多尺度注意力网络的火灾检测方法，有效提高了对火灾场景的特征提取能力，获得了更好的检测性能，有效减少人员伤亡和财产损失。
2、技术方案：本专利技术提出了一种动态多尺度注意力网络的火灾检测方法，包括如下步骤：
3、步骤1：从互联网采集火灾数据，进行数据清洗和数据预处理，得到火灾检测数据集f，输入模型训练时通过alignmix进行数据增强；
4、步骤2：提出odmbrblock模块，所述odmbrblock模块添加多分支残差连接，同时将一个常规卷积替换为odconv全维动态卷积，利用odmbrblock模块改进yolov7-tiny中的elan模块；在odmbrblock模块后加入ema注意力机制，与mp模块结合，建立odemanet骨干网络提取特征；
5、步骤3：使用空间金字塔池化fsppf结构替换yolov7-tiny原有的sp结构，建立颈部网络层；
6、步骤4：使用gelu激活函数替换yolov7-tiny原有的leaky relu激活函数；
7、步骤5：引入eiou损失函数，使用α-iou损失函数与eiou损失函数进行组合，得到α-eiou损失函数；
8、步骤6：加入动态标签分配策略，即dynamic atss，优化正负样本分配，提高模型性能；
9、步骤7：使用辅助检测头odconv，建立动态多尺度注意力网络，即dynamic multi-scaleattention networks，得到dmanet火灾检测模型，利用dmanet火灾检测模型对待检测的火灾数据图片进行检测。
10、进一步地，所述步骤1的具体方法为：
11、步骤1.1：通过互联网采集火灾场景图片和视频，得到原始火灾图片数据集p1和原始火灾视频数据集v1；
12、步骤1.2：对所述原始火灾图片数据集进行数据清洗，得到清洗火灾图片数据集p2，同时对所述火灾视频数据集v1进行逐帧裁剪和清洗，得到清洗火灾视频数据集v2；
13、步骤1.3：对所述清洗火灾图片数据集p2和清洗火灾视频数据集v2进行合并，然后进行数据预处理，得到可供训练的火灾检测数据集f；
14、步骤1.4：使用alignmix方法对所述火灾检测数据集f进行数据增强；
15、步骤1.5：将经过数据增强后的火灾检测数据集f输入火灾检测网络进行训练。
16、进一步地，所述步骤2建立odemanet骨干网络提取特征的具体方法为：
17、步骤2.1：定义一个cbg卷积块，其为卷积、批归一化和gelu激活函数的组合块；
18、步骤2.2：改进yolov7-tiny中的elan模块，通过加入odconv动态卷积，并定义odmbrblock模块，所述odmbrblock模块包括第一分支和第二分支；
19、步骤2.3：所述第一分支由一个1×1的cbg卷积块进行通道数减半，直接输出到concat拼接，所述第二分支经过1×1的cbg卷积块后，分为第三分支和第四分支；
20、步骤2.4：所述第三分支经过一个3×3的cbg卷积块和两个1×1的cbg卷积块后，通道数不变，输出到concat拼接，所述第四分支经过一个odconv动态卷积，再经过一个3×3的cbg卷积块后，分为第五分支和第六分支；
21、步骤2.5：所述第五分支经过两个1×1的cbg卷积块后，输出到concat拼接，所述第六分支直接输出到concat拼接；
22、步骤2.6：将所述第一分支、第三分支、第本文档来自技高网...
【技术保护点】
1.一种动态多尺度注意力网络的火灾检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤1的具体方法为：
3.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤2建立ODEMANet骨干网络提取特征的具体方法为：
4.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤3建立颈部网络层的具体方法为：
5.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤4的具体方法为：
6.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤5的具体方法为：
7.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤6加入动态标签分配策略的具体方法为：
8.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤7的具体方法为：
【技术特征摘要】
1.一种动态多尺度注意力网络的火灾检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤1的具体方法为：
3.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤2建立odemanet骨干网络提取特征的具体方法为：
4.根据权利要求1所述的一种动态多尺度注意力网络的火灾检测方法，其特征在于，所述步骤3建立颈部网络层的具体方法为：
...【专利技术属性】
技术研发人员：严云洋，叶翔，王盘龙，董可，冷志超，祝巧巧，耿嘉雯，朱妍，
申请(专利权)人：淮阴工学院，
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。