[发明专利]一种烟雾火焰识别方法和装置

说明书

本申请公开了一种烟雾火焰识别方法，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。本申请还包含实现所述方法的装置。本申请的方案解决有技术的人工智能算法检测火焰时小目标物检测效果差、算法运行资源要求高的问题。

技术领域

本申请涉及计算机人工智能技术领域，尤其涉及一种基于烟雾火焰识别方法和装置。

背景技术

火灾在人们日常生活中频繁发生且危害巨大，早期的基于图像的火焰检测技术，主要是基于火焰的颜色、亮度、形状等特征实现火焰检测。由于火焰的发生场景、燃烧形态、伴随产生的烟雾的形态等，具有多样性，极容易受环境的影响，把人工智能和深度学习技术应用到烟雾火焰识别中，通过图像处理与识别技术，避免了繁琐而耗时的特征提取过程，可以自动地从火焰和烟雾数据中学习丰富的特征，提高火灾检测的准确率并实现火灾定位。YOLO系列算法使计算得到的图像特征更为通用。YOLOV5发布了四种不同版本的权重参数供选择，用以权衡算法计算速度和计算精度。YOLO算法的计算速度与RCNN系列算法相比有了很大的提升；与Faster R-CNN相比，YOLO将算法速度提升了三倍，但是，YOLO算法在为了追求计算速度的同时，损失了部分计算精度和准确度，尤其是对于小目标物的检测，效果比较差。

发明内容

针对现有技术的不足，本申请提出一种烟雾火焰识别方法和装置，解决现有技术的人工智能算法检测火焰时小目标物检测效果差、算法运行资源要求高的问题。尤其适用于基于YOLOV5的烟雾火焰识别，能够以高准确率、高鲁棒性实现烟雾火焰目标识别，并且能够在CPU环境下达到50FPS，成功部署工程应用。

一方面，本申请实施例提出一种烟雾火焰识别方法，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。

优选地，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。

优选地，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。

优选地，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；