【技术实现步骤摘要】
本专利技术属于图像识别，具体涉及一种无锚框火灾智能检测方法。
技术介绍
1、目标检测是一个经典的计算机视觉挑战，旨在识别对象类别和目标位置在图片或视频中显示。现有的目标探测器，可分为两类：基于锚的检测器和无锚检测器。基于锚的检测器，比如两级探测器，其从图像中生成区域建议，然后从区域建议中生成最终的边界框。为了提高目标定位的准确性，fpn(feature pyramid network，特征金字塔网络)融合了多尺度的高级语义特征。两级探测器在目标定位上更为准确，而在cpu或arm设备上难以实现实时检测。单级目标探测器也是基于锚的探测器，对速度和精度有较好的平衡，在实践中得到了广泛的应用。
2、yolo系列在精度和速度上都表现良好，但是早期的yolo系列并没有处理以下问题：1)需要仔细地和手动地重新设计锚定盒，以采用不同的数据集；2)正样本和负样本之间的不平衡问题，因为大多数生成的锚点都是负的。无锚探测器的目的是消除锚盒，这是对目标检测的一个显著改进。yolov5算法具有运算速度快、检测精度高、网络结构简单等优点，可以实现实时检测，但是其检测方式是基于锚框anchor-based的检测方式，在应对多目标检测，尤其是存在多个小目标检测时，其网络模型参数的调整能力较差，会导致检测性能下降。
技术实现思路
1、为了克服现有技术中的问题，本专利技术提出了一种无锚框火灾智能检测方法。
2、本专利技术解决上述技术问题的技术方案如下：
3、本专利技术提供了一种无锚
4、基于改进的yolov5模型构建火灾检测模型，所述改进后的yolov5模型包括用于实现特征提取的骨干网络、用于将骨干网络提取的不同层次特征进行多尺度融合的颈部网络以及用于执行目标检测和分类的检测头模块；
5、对于骨干网络中的结构，将c3模块替换为c2f模块；所述颈部网络包括fpn-pan瓶颈结构，其中，fpn结构用于自上而下传递强语义特征，pan结构用于自下而上传递强定位特征；所述目标检测头模块采用多级解耦头；
6、采集数据集并将其划分为训练集、验证集和测试集，并按照预设的训练参数对所述火灾检测模型进行多轮训练；
7、将被测图像输入到训练完成的火灾检测模型中，输出检测结果。
8、进一步地，从c2f模块的输入端开始，c2f模块依次包括第一卷积模块、split模块、n个bottleneck模块、concat模块和第二卷积模块；通过第一卷积模块进行卷积操作，经过split模块进行信道分离操作，接着进入n个bottleneck模块进行降维处理，最后经过第一卷积模块、split模块及各个bottleneck模块的输出共同进入到concat模块进行拼接操作，拼接完成后再通过第二卷积模块得到输出；其中，第一卷积模块、第二卷积模块均为普通卷积层conv。
9、进一步地，所述bottleneck模块由两个cbl模块卷积而成。
10、进一步地，所述fpn结构包括依次相连的第一fpn结构和第二fpn结构，所述第一fpn结构和第二fpn结构均包括依次连接的cbl模块、上采样up sample模块、concat模块及c2f模块。
11、进一步地，所述目标检测头模块采用多级解耦头，每一解耦头均包括两条支路，用于将特征图分别经过两个子分支进行分离分类与定位任务，并将分类结果、定位框位置分别输出。
12、进一步地，所述每一解耦头均包括两条支路，其一支路包括依次连接的cbl模块、普通卷积层conv及cls loss，另一支路包括依次连接的cbl模块、普通卷积层conv及bboxloss。
13、进一步地，所述cbl模块为标准卷积模块，其包括依次连接的普通卷积层conv、批量归一化层bn和leakyrelu激活函数层。
14、进一步地，按照8:1:1比列将数据集分为训练集、验证集及测试集。
15、进一步地，所述预设的训练参数包括训练轮数、学习率、批量样本数量，所述训练轮数为200，所述学习率为0.01，所述批量样本数量为16。
16、进一步地，所述火灾检测模型训练中采用adamw优化算法来调整参数。
17、与现有技术相比，本专利技术具有如下技术效果：
18、本专利技术采用无锚框的目标检测方法，大幅度地减少了深度学习网络模型的参数量，降低了网络复杂度，实现了网络轻量化的目的。另外，本专利技术通过改进骨干网络结构、颈部结构和检测头、优化损失函数等方法大大提高了目标检测的精度。本专利技术很好地平衡了复杂度和精度之间的关系，在移动端目标检测领域具有较大的实际应用价值。
本文档来自技高网...【技术保护点】
1.一种无锚框火灾智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无锚框火灾智能检测方法，其特征在于，从C2f模块的输入端开始，C2f模块依次包括第一卷积模块、Split模块、n个Bottleneck模块、Concat模块和第二卷积模块；通过第一卷积模块进行卷积操作，经过Split模块进行信道分离操作，接着进入n个Bottleneck模块进行降维处理，最后经过第一卷积模块、Split模块及各个Bottleneck模块的输出共同进入到Concat模块进行拼接操作，拼接完成后再通过第二卷积模块得到输出；其中，第一卷积模块、第二卷积模块均为普通卷积层Conv。
3.根据权利要求2所述的一种无锚框火灾智能检测方法，其特征在于，所述Bottleneck模块由两个CBL模块卷积而成。
4.根据权利要求2所述的一种无锚框火灾智能检测方法，其特征在于，所述FPN结构包括依次相连的第一FPN结构和第二FPN结构，所述第一FPN结构和第二FPN结构均包括依次连接的CBL模块、上采样Up sample模块、Concat模块及C2f模块。
...【技术特征摘要】
1.一种无锚框火灾智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无锚框火灾智能检测方法，其特征在于，从c2f模块的输入端开始，c2f模块依次包括第一卷积模块、split模块、n个bottleneck模块、concat模块和第二卷积模块；通过第一卷积模块进行卷积操作，经过split模块进行信道分离操作，接着进入n个bottleneck模块进行降维处理，最后经过第一卷积模块、split模块及各个bottleneck模块的输出共同进入到concat模块进行拼接操作，拼接完成后再通过第二卷积模块得到输出；其中，第一卷积模块、第二卷积模块均为普通卷积层conv。
3.根据权利要求2所述的一种无锚框火灾智能检测方法，其特征在于，所述bottleneck模块由两个cbl模块卷积而成。
4.根据权利要求2所述的一种无锚框火灾智能检测方法，其特征在于，所述fpn结构包括依次相连的第一fpn结构和第二fpn结构，所述第一fpn结构和第二fpn结构均包括依次连接的cbl模块、上采样up sample模块、concat模块及c2f模块。
5.根据权利要求1所述的一种无锚框火灾智能检测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：殷波，
申请(专利权)人：贵州交通职业技术学院，
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。