[发明专利]一种基于改进YOLO模型的轻型室内火灾识别方法

说明书

本发明公开了一种基于改进YOLO模型的轻型室内火灾识别方法，包括：改进backbone部分，引入采用CSP模块；引入Ghost Module；引入Ghost Bottlenecks，来代替瓶颈结构里面的普通卷积；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；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块以融合感受野并进行特征提取；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；获得火焰数据集后进行筛选；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。本发明简化算法结构，降低运行成本，使得模型能够在价格低廉的嵌入式设备中流畅运行，完成对火灾的实时监控效果。

技术领域

本发明涉及计算机视觉领域，具体为一种基于改进YOLO模型的轻型室内火灾识别方法。

背景技术

火是人类文明进步的一个标志，在古代，发明了火药，使得古代科技得到了飞跃。近代，随着工业化的进程，各种工业生产过程与火息息相关，然而火的不当使用则会造成非常严重的事故，威胁着人们的生命与财产安全。随着计算机视觉的兴起，许多目标检测算法应运而生，其中可分为两阶段目标检测算法和一阶段目标检测算法。在两阶段目标检测算法中，R-CNN、SPPNet、Fast R-CNN、Faster R-CNN算法被提出，R-CNN（区域卷积升级网络）是第一个将深度学习应用到了目标检测当中的算法。其思路是对目标进行提取框操作之后，对各个框分别进行了特征提取、图像分类、非极大值抑制操作，但也正是因为候选框过多、图像需归一化处理等原因，其运行速度十分缓慢，并且需要大量的数据存储空间，所以难以满足大部分场景下的需求。SPPNet提出将空间金字塔池化层加至网络的全连接层之前，对不同尺度的特征图进行池化，从而避免图像出现失真等现象，同时由于在提取特征图时将目标图像的候选框也提取了，所以提升了运行的速度，但是依旧要求很大存储空间，无法满足大部分情况需求。Fast R-CNN算法将整张图像作为输入，同时引入一个全新的概念：感兴趣区域池化层（ROI）。它不再像R-CNN中对每一个候选区域分别进行卷积，而是对整个图像进行操作，使用ROI层和映射关系可以得到统一大小的特征，降低了重复计算量，加快了运行速度，但该算法依旧有着一些不足，产生候选区域的选择性搜索算法十分费时，特征提取速度依旧很长，无法满足实时检测的需求。Faster R-CNN算法提出了区域提议网络（RPN）替代原本的选择性搜索方法，具有更高的效率和精度，但是依旧有许多计算冗余，计算量庞大，实时检测效果不佳。在一阶段目标检测算法中包含SSD和YOLO，SSD（单发多框检测器）算法是一阶段目标检测的算法，与Faster R-CNN相比，SSD去掉了生成提议区域这一流程，直接输出目标的类别和坐标，提高了运算速度；YOLO则提出将目标检测问题当成一个回归问题解决，大大降低计算量，能够较好满足实时检测需求。

GhostNet是由华为诺亚方舟实验室的韩凯、王云鹤等提出的一个新型的端侧神经网络架构。在一个较为优秀的深度神经网络特征图中，往往会出现冗余的特征图，GhostNet针对冗余特征图提出了一个代价更为低廉的生成方式，减小运算量。

对于火灾的监控当今应用最广的还是传感器，而传感器具有较高误报率和滞后率，而火灾往往在短时间内就能造成大量损失，因此需要一种能够即时检测的方法应对。以往的目标检测模型往往需要较大的内存与算力，而内存与计算资源对于嵌入式设备来说十分的宝贵，因此迫切需要更为的精简与高效的检测方法来解决上述问题。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种基于改进YOLO模型的轻型室内火灾识别方法。

一种基于改进YOLO模型的轻型室内火灾识别方法，包括：