[发明专利]基于YOLOv4网络的无人机火焰检测方法及系统

说明书

本发明公开了一种基于YOLOv4网络的无人机火焰检测方法，包括：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；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；获取无人机的视频流；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。可用于不同的环境、光照强度以及天气情况，对于复杂环境中无人机对火焰的识别，可以保证较高的检测准确性和快速性，实现了速度和精度的平衡。

技术领域

本发明属于深度学习的火焰识别检测技术领域，尤其是涉及一种基于YOLOv4网络的无人机火焰检测方法及系统。

背景技术

在各种灾害中，火灾是最容易发生的、最普遍威胁公众安全和社会发展的主要灾害之一。大规模的火灾不仅会让人类的物质财产遭到损失，破坏公共设施和危害自然环境，还直接或间接的危害生命。当现场火灾发生时，特别是侦查小队无法开展侦查任务的情况下，为了避免火灾带来的巨大损失，无人机能够迅速对火灾发生区域进行定位，提高侦查效率，以便指挥员做正确的决策。

目前关于无人机火焰检测方法有基于颜色空间，基于纹理特征和火焰的几何特征，基于视频帧差法的相似性进行火焰识别。当前的火焰检测方法在一定程度上能够完成对火焰的检测，但对于复杂的火焰环境会存在火焰漏检率高的问题。随着基于深度学习的目标检测算法的迅速发展，越来越多的目标检测模型被提出，其中深度学习下的目标检测算法可以通过卷积神经网络对输入的图像进行特征提取，并通过深层神经网络模型的学习直接回归输出结果，实现了端到端的目标检测。

公告号为CN111062293A的发明专利公开了一种基于深度学习的无人机森林火焰识别方法，包括：获取无人机视觉范围内的视频；对图像进行增强对比度效果的预处理；利用改进的中值滤波算法进一步处理经过所述预处理的图片，来相对地减少冲激噪声空间密度；对疑似火焰的图片像素进行识别；所述识别是综合RGB和HSV两个模型提取火焰区域，判断是否为运动像素，同时满足颜色特征和运动特征的像素被识别为疑似火焰像素图像；对图像进行形态学处理，消除图像中小于领域内点的孤立异常值；结合深度学习神经网络算法-YOLO，对检测到的火焰目标进行实时跟踪识别。该识别方法利用改进的中值滤波去除视频图像的噪声，同时还采用了条纹中心分析方法，通过扩大窗口来相对地减少冲激噪声空间密度使得图像的细节更好，但是YOLO算法，运算量大，并且在复杂环境中的识别精度还有待提高。

YOLOv4网络模型由AlexeyBochkovskiy等在2020年提出，由于提出时间较晚，目前还没有将YOLOv4网络模型用于识别火焰的研究。在火焰识别的检测率方面没有任何预见。

发明内容

1、本发明的目的

针对上述存在的技术问题，提出了一种基于YOLOv4网络的无人机火焰检测方法及系统，可用于不同的环境、光照强度以及天气情况，对于复杂环境中无人机对火焰的识别，可以保证较高的检测准确性和快速性，实现了速度和精度的平衡。

2、本发明所采用的技术方案

一种基于YOLOv4网络的无人机火焰检测方法，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。

优选的技术方案中，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；