[发明专利]一种基于YOLOV3的烟火自动检测预警方法

权利要求书

1.一种基于YOLOV3的烟火自动检测预警方法，其特征在于，包括：

S1、构建训练检测模型的样本集；首先搜集原始素材，对获取的原始素材利用图像数据增强技术进行处理，得到训练样本数据集；然后利用样本标注工具在训练样本数据集图片中标出检测目标的目标框并设定所属类别，将样本图片和生成的标注文件分别保存作为样本集；对所有的训练集样本中标注的目标框采用聚类算法进行聚类；

S2、搭建基于YOLOV3的深度学习目标检测网络架构；采用裁剪的Darknet-53卷积神经网络作为backbone对输入的图像进行特征提取，将神经网络生成的特征图输入到YOLOV3的检测模型；

S3、配置训练参数，训练检测模型；

S4、获取待检测图像信息；从待检测现场的监控设备中，获取现场视频画面的图像帧，利用图像预处理方法对逐帧图像进行处理；

S5、检测烟雾和火焰目标；将步骤S4中处理过的视频图像帧送入步骤S3中预先训练好的检测模型进行目标的检测，并输出检测结果；

S6、对检测结果进行后处理；处理方法包括根据步骤S5中检测得到的各个目标的置信度，判断是否是一个有效的目标，如果置信度低于阈值则可能存在误检，则不进行处理；根据目标的坐标判断该目标是否在指定的区域内，如果不在则排除；对于检测结果中存在的重叠目标，设置一个IOU参数判断重叠度，去除重叠度较大框中置信值较低的，只保留一个最高的，重叠度较高的目标框可能检测的是同一个目标；根据检测结果的坐标，判断目标的大小，去除不符合实际场景大小范围的检测结果；

S7、连续分析多帧图像检测结果，确认目标有效并输出报警；对连续多帧图像检测结果进行分析，判断是否是有效存在的目标，及时输出报警信号，并记录相关信息。

2.根据权利要求1所述的基于YOLOV3的烟火自动检测预警方法，其特征在于：所述步骤S1中，原始素材包括但不限于烟雾和火焰视频、图片；

所述检测目标为烟雾或者火焰；

所述目标框为外接矩形框。

3.根据权利要求1所述的基于YOLOV3的烟火自动检测预警方法，其特征在于，所述步骤S3的具体方法如下:

设置训练检测模型的超参数，设置初始学习率为0.001，每个训练批次设置为64，训练样本的总迭代轮数设置为140轮；模型训练根据BP原理，利用SGD算法优化网络权重参数，进行迭代训练，将网络的loss值下降至较低值，训练完成后，获取用于检测烟雾和火焰的模型。

4.根据权利要求1所述的基于YOLOV3的烟火自动检测预警方法，其特征在于：所述步骤S5中，模型输出的检测结果包括目标所属的类别、目标的外接矩形框的坐标和对应的置信度。

5.根据权利要求3所述的基于YOLOV3的烟火自动检测预警方法，其特征在于：loss值的计算方法如下：

训练网络的loss分为置信度损失L_conf(O,C)、类别损失L_cla(o,c)和定位损失L_loc(l,g)，总的损失L(O,o,C,c,l,g)是三者的加权和。利用网络输出的预测框的信息b(x,y,w,h,C,c₁,c₂)与真实值g(x,y,w,h)计算损失，得到最终的loss，其中(x,y,w,h)分别表示目标外接矩形框的中点横坐标、纵坐标与矩形框的宽和高，C表示预测框所在位置是一个目标的概率，c₁,c₂表示目标所属类别的概率。

总loss值计算：

L(O,o,C,c,l,g)＝λ₁L_conf(O,C)+λ₂L_cla(o,c)+λ₃L_loc(l,g)

其中λ₁、λ₂和λ₃分别为置信度损失、类别损失和定位损失的加权权重，分别取0.3,0.2,0.5；

置信度损失计算：

其中O_i表示当前位置是否有目标，是真实值，有目标则为1，否则为0，C_i是模型预测输出的当前位置是一个目标的概率；

类别损失计算：

c_ij＝Sigmoid(c_ij)

其中o_ij表示第i个预测框所在的位置是否存在第j个类别，属于真实值，存在为1，否则为0，c_ij表示预测的结果中，第i个预测框所在的位置存在第j个类别的概率；

定位损失计算：

其中(g^x,g^y,g^w,g^h)是手工标注的目标框信息g(x,y,w,h)，下标i表示第i个框，属于真实值，(b^x,b^y,b^w,b^h)表示网络预测的检测框的坐标信息，与(g^x,g^y,g^w,g^h)相对应，(c^x,c^y,p^w,p^h)表示预设anchors的信息，其中(c^x,c^y)表示anchors中心点在特征图上的位置，(p^w,p^h)表示预设anchors的宽高，与标注信息和预测信息分别相对应；Anchors是YOLOV3训练时通过聚类算法对训练数据中标注的目标框宽高进行统计并聚类的结果。