本发明专利技术提供一种基于深度学习的灭火器设备智能检测方法及系统，涉及人工智能目标检测技术领域。该种基于深度学习的灭火器设备智能检测系统，包括采集模块、抽帧和去重模块、标注模块、构建模块、训练及应用模块；所述采集模块用于采集视频数据；所述抽帧和去重模块用于对采集到的视频数据进行抽帧和去重预处理操作得到图片数据；所述训练及应用模块用于对灭火器设备智能检测模型进行训练、测试和评估。通过在YOLOX模型主干网络的三个不同特征输出处添加ECA注意力机制，增强模型对小目标特征的提取能力，减少误检和漏检情况，并且，采用α‑EIOU边框损失函数进行优化，加速模型的收敛提高灭火器模型的检测精度。
【技术实现步骤摘要】
本专利技术涉及人工智能目标检测，具体为一种基于深度学习的灭火器设备智能检测方法及系统。
技术介绍
1、随着经济社会秩序逐渐恢复常态，诱发火灾的各类风险增多，据国家消防救援局统计，今年上半年，全国共接报火灾55万起，日均火灾超3000起。社会单位和公民应该增强自己安全意识，采取安全措施，预防各类火灾事故的发生，而灭火器是生活中最常见和最有效的火灾预防设备，在住宅楼道、商场、工厂等地随处可见，尽管火灾设备用于火灾应急使用，但如果处理不当或维护不当，可能会对人员造成伤害并且不能及时地扑救火情，因此，对灭火器设备的实时智能检测能够有效规避风险且保证其能够及时地救援火灾。
2、传统的灭火器设备维护，通常是人工巡查的形式，耗费大量的人力物力，基于深度学习的灭火器设备智能检测能够有效地节约资源，提高效率，灭火器设备检测任务的特点不同于普通的目标检测任务，其检测目标小，且有着复杂背景的特点，大多数的对象检测器不注意特定场景和标准数据集场景之间的差异，无法获得与一般数据集相同的检测结果，因此，基于深度学习技术如何快速、准确地识别灭火器设备是亟待解决的问题。
3、为此，我们研发出了新的一种基于深度学习的灭火器设备智能检测方法及系统。
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深度学习的灭火器设备智能检测方法及系统，解决了现有的灭火器设备检测器无法快速且准确的识别灭火器设备的问题。
3、(二)技术方案
<
p>4、2.为实现以上目的，本专利技术通过以下技术方案予以实现：本专利技术提供一种基于深度学习的灭火器设备智能检测系统，其特征在于，包括采集模块、抽帧和去重模块、标注模块、构建模块、训练及应用模块；5、所述采集模块用于采集视频数据；
6、所述抽帧和去重模块用于对采集到的视频数据进行抽帧和去重预处理操作，得到图片数据；
7、所述标注模块用于对图片数据进行灭火器设备目标标记；
8、所述构建模块用于构建灭火器设备智能检测模型；
9、所述训练及应用模块用于对灭火器设备智能检测模型进行训练、测试和评估。
10、可选的，所述采集模块包括摄像头设备，所述摄像头设备用于采集视频数据。
11、可选的，所述标注模块包括labelimg标注工具、训练集、测试集和验证集，所述labelimg标注工具用于对灭火器设备数据进行标记，所述灭火器设备数据类别包括fe(灭火器，fire extinguisher)、feb(灭火箱，fire extinguisher box)、fed(灭火器损坏，fireextinguisher damaged)和febd(灭火箱损坏，fire extinguisher box damaged)。
12、可选的，所述灭火器设备智能检测模型包括主干网络、颈部网络和头部网络、eca注意力机制和α-eiou损失，所述灭火器设备智能检测模型以yolox网络作为基础网络。
13、可选的，所述训练及应用模块利用灭火器设备训练集数据、测试集数据和验证集数据分别对构建灭火器设备智能检测模型进行训练、测试和评估。
14、本专利技术还提供一种基于深度学习的灭火器设备智能检测系统，应用于上述所述的一种基于深度学习的灭火器设备智能检测系统，所述基于深度学习的灭火器设备智能检测方法包括如下步骤：
15、s1、通过前端的摄像头设备采集视频数据，对采集到的视频数据进行抽帧和去重的预处理操作，得到图片数据；
16、s2、对s1中得到的图片数据进行灭火器设备目标标记，并划分训练集、测试集和验证集；
17、s3、构建灭火器设备智能检测模型，包括主干网络、颈部网络和头部网络，首先在主干网络和颈部网络连接处添加eca注意力机制，其次设置α-e iou损失，最后在头部网络部分采用可分离深度卷积替换普通卷积，以yolox网络作为基础网络；
18、s4、利用灭火器设备训练集数据、测试集数据和验证集数据分别对构建的灭火器设备智能检测模型进行训练、测试和评估；
19、s5、导出灭火器设备智能检测模型，并部署到边缘端设备上，接入摄像头识别数据，在边缘端设备上推理出检测结果，传到显示器上进行实时的灭火器设备检测显示。
20、可选的，所述s3包括如下具体步骤：
21、s31、在yolox模型主干网络的三个不同特征输出处，添加eca注意力机制，并对输入进来的特征图像进行全局平均池化，得到1×1×c的特征层，然后进行大小为β的1维卷积操作，并通过sigmod激活函数得到各通道的权重w，将权重与原始对应的特征通道元素相乘，最终输出特征图；
22、s32、采用α-eiou边框损失函数进行优化，α-eiou把预测框和真实框的纵横比描述清晰，损失函数拆分成三个部分重叠部分损失、中心点距离损失和宽高损失，公式如下：
23、
24、其中，α为比例系数，通过多次实验验证取值为3为最佳比例系数，ρ(b,bgt)表示数据的预测框和真实框的中心点的欧式距离，b表示数据预测框的中心点，bgt表示数据真实框的中心点，k和g表示数据预测框的宽和高，kgt和ggt表示数据真实框的宽和高，c表示包含预测框和真实框的最小闭包区域的对角线距离，ck和cg是预测框和目标框的最小外接框的宽度与高度；
25、s33、深度可分离卷积分为两部分深度卷积和点卷积，先对输入层的每一个通道数各自进行3×3的深度卷积，进行批量正则化和relu激活函数处理，后利用1×1的卷积对深度可分离卷积输出的通道数进行调整，计算量小，减轻模型的计算负担，加快模型推理速度
26、(三)有益效果
27、本专利技术提供了一种基于深度学习的灭火器设备智能检测方法及系统。具备以下有益效果：
28、1、该种通过在yolox模型主干网络的三个不同特征输出处添加eca注意力机制，增强模型对小目标特征的提取能力，减少误检、漏检等情况；
29、2、该种通过针对在原模型边框预测的时候，边框损失函数收敛缓慢，没有考虑边框的宽高分别与其置信度的真实差异，阻碍了模型的优化相似性，采用α-eiou边框损失函数进行优化，加速模型的收敛提高灭火器模型的检测精度；
30、3、该种通过采用深度可分卷积对原模型的部分普通卷积进行替换，减少模型的参数量、提高网络模型的计算效率和模型的泛化能力，并且，通过将模型部署到边缘端设备上进行推理，实现工厂、商场等各场景下的灭火器设备快速、准确的检测。
本文档来自技高网...
【技术保护点】
1.一种基于深度学习的灭火器设备智能检测系统，其特征在于，包括采集模块、抽帧和去重模块、标注模块、构建模块、训练及应用模块；
2.根据权利要求1所述的一种基于深度学习的灭火器设备智能检测系统，其特征在于：所述采集模块包括摄像头设备，所述摄像头设备用于采集视频数据。
3.根据权利要求1所述的一种基于深度学习的灭火器设备智能检测系统，其特征在于：所述标注模块包括labelimg标注工具、训练集、测试集和验证集，所述labelimg标注工具用于对灭火器设备数据进行标记，所述灭火器设备数据类别包括FE(灭火器，FireExtinguisher)、FEB(灭火箱，Fire Extinguisher Box)、FED(灭火器损坏，FireExtinguisherDamaged)和FEBD(灭火箱损坏，Fire ExtinguisherBox Damaged)。
4.根据权利要求1所述的一种基于深度学习的灭火器设备智能检测系统，其特征在于：所述灭火器设备智能检测模型包括主干网络、颈部网络和头部网络、ECA注意力机制和α-EIOU损失，所述灭火器设备智能检测模型以YOLOX网络作为基础网络。
5.一种基于深度学习的灭火器设备智能检测系统，其特征在于，其特征在于：所述训练及应用模块利用灭火器设备训练集数据、测试集数据和验证集数据分别对构建灭火器设备智能检测模型进行训练、测试和评估。
6.一种基于深度学习的灭火器设备智能检测方法，其特征在于：所述基于深度学习的灭火器设备智能检测方法包括如下步骤：
7.根据权利要求6所述的一种基于深度学习的灭火器设备智能检测方法，其特征在于：所述S1中的预处理操作为对输入图片进行缩放和灰度处理，计算输入图片的离散余弦变换值，再计算缩小后的离散变换均值，最终得到图片的哈希值，完成输入图片的去重处理。
8.根据权利要求6所述的一种基于深度学习的灭火器设备智能检测方法，其特征在于：所述S3包括如下具体步骤：
...
【技术特征摘要】
1.一种基于深度学习的灭火器设备智能检测系统，其特征在于，包括采集模块、抽帧和去重模块、标注模块、构建模块、训练及应用模块；
2.根据权利要求1所述的一种基于深度学习的灭火器设备智能检测系统，其特征在于：所述采集模块包括摄像头设备，所述摄像头设备用于采集视频数据。
3.根据权利要求1所述的一种基于深度学习的灭火器设备智能检测系统，其特征在于：所述标注模块包括labelimg标注工具、训练集、测试集和验证集，所述labelimg标注工具用于对灭火器设备数据进行标记，所述灭火器设备数据类别包括fe(灭火器，fireextinguisher)、feb(灭火箱，fire extinguisher box)、fed(灭火器损坏，fireextinguisherdamaged)和febd(灭火箱损坏，fire extinguisherbox damaged)。
4.根据权利要求1所述的一种基于深度学习的灭火器设备智能检测系统，...
【专利技术属性】
技术研发人员：孙德亮，陈雷，熊瑞，
申请(专利权)人：中再云图技术有限公司，
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。