[发明专利]一种基于改进YOLO模型的轻型室内火灾识别方法

权利要求书

1.一种基于改进YOLO模型的轻型室内火灾识别方法，其特征在于，包括：

1）改进backbone部分，引入采用CSP模块，原YOLO的主干网DarkNet53包含四次下采样和五组残差块，每个残差块包含2层卷积层，且卷积层重复的次数分别为1、2、8、8、4次；采用CSP模块（Cross Stage Partial Network，交叉阶段部分连接）是将所有的输入数据分为两次处理，第一次直接通过1×1的卷积核，第二次在1×1的卷积核之后保留Darknet53的残差模块，1×1的卷积核起到下采样的作用，进一步精简输入神经网络的数据量；

2）引入Ghost Module，针对在使用残差模块提取特征图的过程中，生成的冗余特征图，GhostNet使用Ghost Module 模块进行处理，该模块将普通卷积分为两部分，首先进行一个常规的1×1少量卷积，生成输入特征层的特征浓缩，然后再进行深度可分离逐层卷积，利用上一步获得的特征浓缩生成Ghost特征图；

3）引入Ghost Bottlenecks，来代替瓶颈结构里面的普通卷积,Ghost Bottlenecks分为两个部分，分别是主干部分和残差边部分，包含Ghost Module的，称为主干部分；GhostBottlenecks有两个种类，当需要对特征层的宽高进行压缩的时候，设置这个GhostBottlenecks的Stride=2，即步长为2，此时会在Bottlenecks里面多添加一些卷积层，在主干部分里，在两个Ghost Module中添加一个步长为2×2的深度可分离卷积进行特征层的宽高压缩，在残差边部分，添加上一个步长为2×2的深度可分离卷积和1×1的普通卷积；

4）当一张图片输入到GhostNet当中时，首先进行一个16通道的普通1×1卷积块，即卷积+标准化+激活函数，之后开始Ghost Bottlenecks的堆叠，利用Ghost Bottlenecks，获得了一个7×7×160的特征层，然后利用一个1×1的卷积块进行通道数的调整，此时获得一个7×7×960的特征层，之后进行一次全局平均池化，然后再利用一个1×1的卷积块进行通道数的调整，获得一个1×1×1280的特征层，然后平铺后进行全连接进行分类；

5）在原YOLO模型基础上，使用GhostNet提取出三个有效特征层，利用这三个有效特征层替换原来YOLO主干网络CSPdarknet53的有效特征层；

6）经过主干网络生成特征图后，在特征图进行特征聚合之前，CSPDarkNet53将输出特征图发送到SPP(Spatial Pyramid Pooling，空间金字塔池化)块以融合感受野并进行特征提取，之后，输入特征图并按不同比例合并，并使用padding 来保持输出特征图的大小不变，避免丢失重要特征；

7）然后输入图像经过主干网后，特征图被转换为语义特征或学习特征；为了保留细粒度特征，增加了FPNet（Feature Pyramid Network，特征金字塔网络）架构，FPNet架构采用自上而下的路径来传递学习特征，然后将高层语义信息与底层的细粒度特征联合，PANet在FPNet旁添加了自下而上的增加路径，进一步吸收底层定位特征，简化了信息流；

8）最终生成53×52，26×26以及13×13三种不同大小的检测框分别对应小、中、大三种不同的感受野，用来检测不同尺度的目标；

9）获得火焰数据集，并对火焰数据集进行筛选，使用LabelImg进行框图标注，创建自己的火焰数据集，然后采用服务器对数据集进行训练，并获得改进后的算法权重文件；

10）对算法权重文件进行编译生成可执行文件，导入嵌入式芯片。

2.根据权利要求1所述的方法，其特征在于，步骤10）所述的嵌入式芯片为瑞芯微rk1126，包含摄像头，使用摄像头采集实时图像，实现实时火灾监控。

3.根据权利要求1所述的方法，其特征在于，步骤10）进一步采用有线或者无线方式连接终端，通过视频流格式进行远程监控。