[发明专利]基于YOLOv4网络的无人机火焰检测方法及系统

权利要求书

1.一种基于YOLOv4网络的无人机火焰检测方法，其特征在于，包括以下步骤：

S01：对不同的火焰图像标注图像中火焰的位置和类别信息，得到火焰数据集，对标注后的每幅图像进行预处理，得到火焰的训练集；

S02：将训练集输入YOLOv4网络进行权重训练，得到火焰训练集的YOLOv4权重模型；

S03：获取无人机的视频流；

S04：利用训练好的YOLOv4权重模型对无人机视频流中的图像进行检测，判断图像中是否存在火焰。

2.根据权利要求1所述的基于YOLOv4网络的无人机火焰检测方法，其特征在于，所述步骤S01具体包括：

S11：选取开源的火焰图像数据集并利用LabelImg工具标注每幅图片中火焰的位置和类别信息；

S12：对标注后的火焰图像数据集进行裁剪为预设大小的图像，并将数据集整理为VOC数据集格式；

S13：对裁剪后的数据集进行包含归一化、旋转、以及高斯滤波操作，生成火焰图像训练集及对应的标注文件。

3.根据权利要求1所述的基于YOLOv4网络的无人机火焰检测方法，其特征在于，所述步骤S02中YOLOv4的网络结构包括CSPDarknet53主干特征提取网络、SPP、PANet加强特征提取网络和YOLO Head检测头；

所述CSPDarknet53主干特征提取网络包括CSPnet结构、普通卷积层、批正则化及Mish激活函数，其中CSPnet结构将原来的残差块的堆叠进行一次拆分，主干部分保持原来的残差块堆叠，另一部分作为残差边跟主干部分的通道数进行整合；

所述SPP加强特征提取网络参杂在对CSPDarknet53最后一个特征层进行三次DarknetConv2D_BN_Leaky卷积后，利用四个不同尺度的最大池化进行处理，并将其堆叠，分离出图像的上下文特征；

所述PANet加强特征提取网络参杂在三个有效特征层，对特征进行反复提取，对底层特征上采样，与上一层同维度特征层进行堆叠，对高层特征下采样，与下一层同维度特征层进行堆叠，实现特征融合，最终输出三个特征层供YOLO Head检测头进行预测。

4.根据权利要求1所述的基于YOLOv4网络的无人机火焰检测方法，其特征在于，所述步骤S02还包括，在权重训练过程中使用Label Smoothing平滑，其计算公式如下：

q′(k|x)＝(1-∈)δ_k，y+∈u(k)

其中，q'(k|x)表示经过Label Smoothing平滑处理后的第k类标签值，δ_k,y表示原本的标签值，∈表示一个小常数，u(k)表示k为类别总数的倒数。

5.根据权利要求1所述的基于YOLOv4网络的无人机火焰检测方法，其特征在于，所述步骤S03中获取无人机的视频流的方法，包括：

S31：建立无人机和终端之间的WIFI UDP通信，利用UDP通讯发送相关指令开启无人机的SDK模式；

S32：在终端上设置UDP服务器，通过服务器UDP端口11111从IP 0.0.0.0收听无人机消息，向无人机UDP端口发送“streamon”命令以接受无人机的视频流。

6.根据权利要求1所述的基于YOLOv4网络的无人机火焰检测方法，其特征在于，所述步骤S04还包括：

根据标注的真实信息进行误差计算即计算YOLOv4网络模型中的损失函数；将损失函数中常用的BBox坐标框损失用回归框CIOU损失替代，以单个网格的边界框为例，CIOU和CIOU损失的计算公式如下：

其中，L_CIOU表示回归框CIOU损失，IOU为真实框B^gt与预测框B的交并比，即(b,b^gt)分别表示预测框和真实框的中心点，ρ表示欧氏距离，c表示同时包含预测框和真实框的最小闭包区域的对角线距离；α为正权衡参数，v是衡量长宽比一致性的参数，(w^gt,h^gt)表示真实框的宽度和高度，(w,h)表示预测框的宽度和高度。