【技术实现步骤摘要】
本专利技术涉及图像识别，具体为一种基于yolov3的秸秆焚烧火焰识别检测方法。
技术介绍
1、近些年来，科技的进步和人工智能等新技术的兴起，图像处理技术的发展势头愈加迅猛，伴随着深度学习的深入研究发展，目标检测方法在准确性和效率方面取得了较大的进步，方法也越来越成熟，但是应用到实际的火焰检测过程和秸秆焚烧检测的过程中仍然有很多问题要面对。随着数字通信技术，计算机技术，数字图像处理技术获得了广泛应用。如何通过图像识别微小火焰，使得小目标火焰检测成为重点研究的问题。
2、因此我们提出了一种基于yolov3的秸秆焚烧火焰识别检测方法来解决上述问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于yolov3的秸秆焚烧火焰识别检测方法，解决了上述
技术介绍
中所提出的问题。
3、(二)技术方案
4、本专利技术为了实现上述目的具体采用以下技术方案：
5、一种基于yolov3的秸秆焚烧火焰识别检测方法，该方法包含如下步骤，
6、步骤1，准备数据集：对整个yolov3网络采用公开的火焰识别检测数据集进行训练；
7、步骤2，构建网络模型：yolov3的主干网络采用了网络结构darknet53,它是由一系列1*1和3*3的卷积层组成，总共53层，在图像特征提取的方面，它借鉴了残差网络的操作，在特定的层与层之间添加了快捷链路；提出一种基于图卷积神经网络与目标检测相结合的两阶段秸秆焚
8、步骤3，训练网络模型：将步骤1中准备好的数据集输入到步骤2构建好的网络模型中进行训练；
9、步骤4，获取损失函数：yolov3所使用的置信度损失函数为二元交叉熵，边界框的置信度就是表示此网格处是否有中心点，即是否有物体，保存模型参数；
10、步骤5，保存模型：将最终确定的模型参数进行固化，当需要对秸秆焚烧火焰图像进行识别检测时，直接将图像输入到网络中即可得到最终的秸秆焚烧图像。
11、进一步地，所述步骤2中yolov3实现时，首先输入图像数据，通过主干网络darknet53得到三个尺度的特征图，从上往下依次为256*52*52、512*26*26和1024*13*13的特征图，然后分别在这3个尺度的特征图上进行检测；接着上述的三个尺度的特征图都经过conv2d block后，分别输送到不同的分支，一条分支进行卷积和上采样，将得到的特征图与上一层的进行通道合并，另一条分支通过两层的卷积操作，直接输出预测结果。
12、进一步地，所述步骤4中二元交叉熵：当标签为1时，网络的理想预测输出应该是1；当标签为0时，网络的理想预测输出应该是0，在这种情况下，二元交叉熵函数的最小值就是0；损失函数要达到最小值，而不是最小值本身。
13、进一步地，所述步骤2中gcn设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类、图分类、边预测，还可以得到图的嵌入表示，最终得到所有的火焰检测图像。
14、(三)有益效果
15、与现有技术相比，本专利技术提供了一种基于yolov3的秸秆焚烧火焰识别检测方法，具备以下有益效果：
16、1.本专利技术yolov3的网络结构可以提取多尺度特征对目标进行监测，具备较快的检测速度。
17、2.本专利技术在类别任务时利用logistic损失函数代替了原来的softmax损失函数，具备较好的检测精度。
18、3.本专利技术使用改进的yolov3算法后，使得微小火焰可以被检测到，实现了小目标检测识别的效果。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv3的秸秆焚烧火焰识别检测方法，其特征在于：该方法包含如下步骤，
2.根据权利要求1所述的一种基于YOLOv3的秸秆焚烧火焰识别检测方法，其特征在于：所述步骤2中YOLOv3实现时，首先输入图像数据，通过主干网络Darknet53得到三个尺度的特征图，从上往下依次为256*52*52、512*26*26和1024*13*13的特征图，然后分别在这3个尺度的特征图上进行检测；接着上述的三个尺度的特征图都经过Conv2D block后，分别输送到不同的分支，一条分支进行卷积和上采样，将得到的特征图与上一层的进行通道合并，另一条分支通过两层的卷积操作，直接输出预测结果。
3.根据权利要求1所述的一种基于YOLOv3的秸秆焚烧火焰识别检测方法，其特征在于：所述步骤4中二元交叉熵：当标签为1时，网络的理想预测输出应该是1；当标签为0时，网络的理想预测输出应该是0，在这种情况下，二元交叉熵函数的最小值就是0；损失函数要达到最小值，而不是最小值本身。
4.根据权利要求1所述的一种基于YOLOv3的秸秆焚烧火焰识别检测方法，其特征在于：所述
...【技术特征摘要】
1.一种基于yolov3的秸秆焚烧火焰识别检测方法，其特征在于：该方法包含如下步骤，
2.根据权利要求1所述的一种基于yolov3的秸秆焚烧火焰识别检测方法，其特征在于：所述步骤2中yolov3实现时，首先输入图像数据，通过主干网络darknet53得到三个尺度的特征图，从上往下依次为256*52*52、512*26*26和1024*13*13的特征图，然后分别在这3个尺度的特征图上进行检测；接着上述的三个尺度的特征图都经过conv2d block后，分别输送到不同的分支，一条分支进行卷积和上采样，将得到的特征图与上一层的进行通道合并，另一条分支通过两层的卷积操作...
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。