[发明专利]一种烟雾火焰识别方法和装置

权利要求书

1.一种烟雾火焰识别方法，其特征在于，包括以下步骤：

建立烟雾、火焰数据集，对数据集进行预处理和标注，形成训练数据集和测试数据集；

使用k-means++聚类算法得到k个目标锚框；

将预处理过的数据集输入到骨干网络，在骨干网络的第二个3×3卷积层之前添加一个1×1卷积核，在骨干网络的第三个neck CSP之前添加注意力机制模块，所述注意力机制采用non_local方法；

在neck阶段对骨干网络中提取的特征图，采用FPN和PAN结构，先上采样再下采样，融合不同尺度的特征信息；

使用所述训练数据集，对模型进行训练。

2.如权利要求1所述烟雾火焰识别方法，其特征在于，所述使用k-means++聚类算法得到k个目标锚框的步骤，进一步包含：

在选取第一个聚类中心点时，采用随机的方法；

跟聚类中心的距离在一定范围内的数据，归类为同一类；

在选取第n+1个中心点时，距离当前n个聚类中心越远的点有更高的概率被选中，直至所有点都被聚类；

最终选取k个聚类中心，其中k是设定参数。

3.如权利要求1所述烟雾火焰识别方法，其特征在于，

骨干网络中采用Focus结构，将原始图像640×640×3接入Focus结构中，通过切片操作，变为320×320×12的特征图，再进行一次32个卷积核操作，变为320×320×32的特征图。

4.如权利要求1所述烟雾火焰识别方法，其特征在于，

在数据集预处理的步骤中，分别对烟雾火焰数据集中的图像进行数据增强，包括以下至少一种：几何畸变、光照、遮挡、随机水平翻转、随机裁剪、随机旋转、随机缩放。

5.如权利要求4所述烟雾火焰识别方法，其特征在于，

对扩充后的数据集，采用LabelImg进行COCO格式标注，并对标注后的数据集进行随机分类，其中90％作为烟雾火焰训练数据集，10％作为测试数据集。

6.如权利要求1所述烟雾火焰识别方法，其特征在于，对模型进行训练的步骤，进一步包含：

根据选择的损失函数，利用梯度下降反向传播方法，对神经网络进行迭代更新，将最大迭代次数计算后的网络权重作为最优网络权重，得到初步的烟雾火焰识别模型；

使用已建立的测试集对上述模型进行测试，根据测试结果调整网络结构，将检测过程中效果比较差的图片，加入训练集重新训练，直到测试结果达到预期的效果，得到最终的烟雾火焰识别模型。

7.如权利要求1所述烟雾火焰识别方法，其特征在于，还包含发布的步骤：

将训练得到的模型转换成libTorch发布格式，利用CMake工具构建模型应用程序；进行封装，形成可调用类库发布。

8.一种烟雾火焰识别装置，用于实现权利要求1～7任意一项所述方法，其特征在于，包括：数据集模块、聚类模块、神经网络模块、训练环境；

所述数据集模块，用于存储所述训练数据集和测试数据集；

所述聚类模块，用于使用k-means++聚类算法处理数据得到k个目标锚框；

所述神经网络模块，用于神经网络计算，其中在骨干网络的第二个3×3卷积层之前添加一个1×1卷积核，在骨干网络的第三个neck CSP之前添加注意力机制模块，所述注意力机制采用non_local方法；在neck阶段对骨干网络中提取的特征图，采用FPN和PAN结构，先上采样再下采样，融合不同尺度的特征信息；

训练环境采用pytorch框架，ubuntu20.04操作系统，硬件环境：i9-10900X处理器，RTX3090，64G内存。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7中任一所述的方法。

10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任一所述的方法。