[发明专利]一种基于改进可变形卷积的Faster RCNN火灾烟雾检测方法

说明书

本发明公开了一种基于改进可变形卷积的Faster RCNN火灾烟雾检测方法，属于图像处理技术领域，该方法包括以下步骤：获取火灾烟雾检测数据集，并进行数据集扩充，将改进的可变形卷积方式应用到Faster RCNN特征提取主干网络中，将扩充后的数据集输入到具有改进的可变形卷积方式的Faster RCNN特征提取主干网络中将进行特征提取，得到不同卷积块对应的特征图，对不同卷积块对应的特征图进行融合；将融合后的特征图输入到RPN网络中进行初步的烟雾识别，得到烟雾检测数据集中每个图片的烟雾候选框；分类回归网络基于烟雾候选框和提取到烟雾特征，对烟雾进行最终的识别和定位；通过特征融合的操作将浅层的细节特征和高层的语义特征进行融合，提高了网络对于小目标的检测能力。

技术领域

本发明涉及图像处理技术领域尤其涉及一种基于改进可变形卷积的Faster RCNN火灾烟雾检测方法。

背景技术

一般而言，火灾的演变分为四个阶段：不可见阶段、可见烟雾阶段、明火阶段和扩散阶段。为了将火灾造成的损失降到最低，火灾预警工作通常集中在前两个阶段。传统的火灾检测主要使用温度传感器、气体传感器等传感器来分析环境温度、烟雾颗粒等参数来判断是否发生火灾。但是这些检测方法局限性十分明显，这些传感器必须很靠近火点的情形下才能发出预警，所以这就需要大面积高密度的安装传感器，使得整个系统过于复杂，性价比低。随着科技的进步，基于视频和图像的火灾烟雾检测算法成为研究热门。烟雾具有明显的颜色、纹理、边缘、动态等视觉特征。所以基于视频和图像的检测算法都是通过对烟雾的上述特征进行提取和分类达到烟雾检测的目的；但是这些特征的设定是基于特定的场合，鲁棒性差；深度学习在图像领域的迅速发展，摆脱了手工设置特征，使得鲁棒性更强，所以目前主要采用基于深度学习的方法进行烟雾检测，通过神经网络的自主学习烟雾的特征，有效的提高烟雾检测的准确率，降低漏检率和误检率。

YOLO模型有较快的检测速度，但是检测精度较低；Faster RCNN有较高的检测精度；可变形卷积适应对象几何变化的能力可能远远超出了感兴趣区域，而我们的方法可以有效的限制自由采样的偏移范围，使得采样区域更好的集中在目标区域。

CN110197255A一种基于深度学习的可变形卷积网络，可变形卷积模块简单的将二维偏移量添加到标准卷积中的常规网格采样的位置，使得采样网格可以自由变形，偏移量是从前一层特征映射中通过卷积层得到；可变形ROI池化模块为池化层中每一个小分区位置添加一个偏移量，偏移量能从前面的特征映射和感兴趣区域中学习。

目前火灾烟雾数据集还不完善，给基于深度学习的火灾烟雾检测技术带来了困难，我们通过图像合成等技术扩充火灾烟雾数据集。现有火灾烟雾检测技术对于稀薄烟雾和远距离小目标烟雾还存在较大的漏检，我们的改进方法可以有效的降低漏检率。

发明内容

根据现有技术存在的问题，本发明公开了一种基于改进可变形卷积的FasterRCNN火灾烟雾检测方法，包括以下步骤：

S1:获取火灾烟雾检测数据集，并进行数据集扩充；

S2:根据火灾烟雾特有的非刚性形态，将改进的可变形卷积方式应用到FasterRCNN特征提取主干网络中，将扩充后的数据集输入到具有改进的可变形卷积方式的FasterRCNN特征提取主干网络中将进行特征提取，得到不同卷积块对应的特征图，对不同卷积块对应的特征图进行融合；

S3:将融合后的特征图输入到RPN网络中进行初步的烟雾识别，得到烟雾检测数据集中每个图片的烟雾候选框；

S4：分类回归网络基于烟雾候选框和提取到的烟雾特征，对烟雾进行最终的识别和定位。

进一步地：所述改进的可变形卷积方式应用到特征提取主干网络中的过程如下：

所述Faster RCNN特征提取主干网络中可变形卷积模块是将二维偏移量加入到标准卷积中的常规网格采样的位置，使得采样网格自由变形；