System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及检测,尤其涉及农田森林烟雾防火检测。
技术介绍
1、随着人类活动范围的增大以及全球升温和极端天气频发,火灾发生频率大幅上升,农田以及森林火灾更是容易爆发大范围的火灾,因此对烟火的监控至关重要,不但能够保障国民经济和地方基础设施,更能在保护人民生命方面起到重要作用。
2、而现有技术,采用红外射线和人工方式。红外射线摄像头成本较为昂贵,切覆盖范围有限。人工方式,较为耗费时间和精力,需要一定的经验。因此都存在一定的局限性。而基于深度学习的烟火检测的,则弥补了上述缺陷,解决了响应不及时,效率低下的问题。但是,传统算法还是存在检测精度低以及实时性差的问题。
技术实现思路
1、本专利技术目的是为了解决现有农田森林烟雾防火检测精度低以及响应不及时的问题,提供了基于图像识别的农田森林烟雾防火检测方法和设备。
2、本专利技术是通过以下技术方案实现的,本专利技术一方面,提供一种基于图像识别的农田森林烟雾防火检测方法,所述方法包括:
3、步骤1:构建烟火图像数据集,对所述烟火图像数据集进行预处理;
4、步骤2:建立改进的深度学习yolov5网络模型,具体包括:
5、所述改进的深度学习yolov5网络模型包括骨干网络、neck网络、head网络和auxhead辅助训练头;
6、骨干网络中所有卷积为deformable conv v2;
7、输入端包括auxhead辅助训练头;
8、neck网络用于将不
9、head网络用于筛选出最优尺度检测的框,输出识别的类别和位置信息,具体包括:
10、采用mpdiou优化,计算模型的检测框损失;
11、损失为类别损失、定位损失、置信度损失三者的叠加;
12、反向传播进行梯度更新权重参数;
13、针对加入偏移量后的位置非整数的情况,使用插值得到像素值;
14、步骤3:对所述改进的深度学习yolov5网络模型进行训练加载测试集进行测试,利用所述训练后的改进的深度学习yolov5网络模型进行检测,实时输出烟火图像的监测结果。
15、进一步地,步骤1中,所述预处理包括:对输入的烟火图像数据进行随机的拼接、剪裁、缩放、改变hsv和mosaic。
16、进一步地,步骤1,还包括:
17、kmeans将输入框聚类为4类,以box的宽和高作为特征,使用图片的宽和高对box的宽和高做归一化,具体操作为:
18、步骤1.1:随机选取k个box作为初始anchor;
19、步骤1.2:使用iou度量,将每个box分配给与其距离最近的anchor;
20、步骤1.3:计算每个簇中所有box宽和高的均值,更新anchor;
21、步骤1.4:重复步骤1.2和步骤1.3,直到anchor不再变化,或者达到最大迭代次数;
22、距离与交并比的关系式为:
23、。
24、进一步地,所述骨干网络采用csp-darknet53主干特征提取网络,具体包括conv和c3模块;
25、所述conv模块包括卷积、batchnorm归一化和silu激活函数;
26、所述c3模块由若干个堆叠的bottleneck和若干个deformable conv v2卷积组成。
27、进一步地,所述针对加入偏移量后的位置非整数的情况,使用插值得到像素值,具体包括:
28、采用双线性插值,公式如下:
29、
30、其中,p表示特征图上偏移过后的位置,q表示p周围的四邻域坐标,x(q)四邻域的特征值,g(q,p)表示限制临域点和偏移点的距离,g(qx,px)限制x方向,g(qy,py)限制y方向,公式最后一行的max(0, 1-...)是限制插值点与领域点不会超过1个像素的距离;
31、
32、其中,pixel(x,y)表示插值后特征点特征值,pixcel(xi,yi)表示四邻域的特征值;
33、将插值点位置的像素值设为其4领域像素点的加权和,领域4个点是离其最近的在特征图上实际存在的像素点,每个点的权重则根据它与插值点横、纵坐标的距离来设置。
34、进一步地,所述neck网络的建立方法,具体包括:
35、所述neck网络包括sppf模块、conv模块、upsample模块、c3模块和concat模块;
36、采用8个conv模块,一个sppf模块,8个c3模块,4个upsample模块和8个concat模块;
37、其中,sppf是一种特征融合模块,由deformable conv v2和池化构成,用于提取不同尺度的特征,在不改变特征图大小的情况下对不同的特征图进行池化操作;
38、所述upsample模块采用最近邻插值进行插值;
39、c3模块由多个bottleneck堆叠和3个deformable conv v2卷积组成;
40、concat模块用于将相同大小的特征图进行拼接。
41、进一步地,所述改进的深度学习yolov5网络模型前14层为backbone,第15层到第42层为neck网络,第43层为auxhead辅助训练头,第44层为head网络。
42、第二方面,本专利技术提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种基于图像识别的农田森林烟雾防火检测方法的步骤。
43、第三方面,本专利技术提供一种计算机可读存储介质,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行如上文所述的一种基于图像识别的农田森林烟雾防火检测方法。
44、第四方面,本专利技术提供一种电子设备,包括:
45、至少一个处理器;以及,
46、与所述至少一个处理器通信连接的存储器;其中,
47、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上文所述的一种基于图像识别的农田森林烟雾防火检测方法。
48、本专利技术的有益效果:
49、1.添加了deformable conv v2,是一种可变形卷积,对烟雾这种不规则形状,能有效提高检测精度。
50、2.添加了mpdiou损失函数,同时考虑多重相关因素,同时简化了计算过程。
51、3.添加了auxhead辅助训练头,有效提升检测精度auxhead可以让网络中间层学到更多信息 ,有更丰富的梯度信息帮助训练。
52、4.修改了神经网络层数,由原来三重特征层,变为五层特征,多重特征融合,有效提高检测精度。本文档来自技高网...
【技术保护点】
1.一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,步骤1中,所述预处理包括:对输入的烟火图像数据进行随机的拼接、剪裁、缩放、改变hsv和mosaic。
3.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,步骤1,还包括:
4.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述骨干网络采用CSP-Darknet53主干特征提取网络,具体包括ConV和C3模块;
5.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述Neck网络的建立方法,具体包括:
6.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述改进的深度学习Yolov5网络模型前14层为backbone,第15层到第42层为Neck网络,第43层为AuxHead辅助训练头,第44层为Head网络。
7.一种计算机设备,包括存储器和处
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行权利要求1至6中任一项所述的方法。
9.一种电子设备,其特征在于,包括:
...【技术特征摘要】
1.一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,步骤1中,所述预处理包括:对输入的烟火图像数据进行随机的拼接、剪裁、缩放、改变hsv和mosaic。
3.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,步骤1,还包括:
4.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述骨干网络采用csp-darknet53主干特征提取网络,具体包括conv和c3模块;
5.根据权利要求1所述的一种基于图像识别的农田森林烟雾防火检测方法,其特征在于,所述neck网络的建...
【专利技术属性】
技术研发人员:于福东,郭琦,赵明,修汉森,孙立娜,张新轶,陈忠磊,靳海科,张兵,王莫寒,唐志会,李晓爽,赵恩泽,朱丽羽,崔宇婷,
申请(专利权)人:吉林省中农阳光数据有限公司,
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。