[发明专利]一种基于加权双向特征金字塔网络的轻量级火灾检测方法

权利要求书

1.一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，具体按照如下步骤进行：

步骤1：使用RepVGG模块替换了YOLOv5s网络模型的骨干网络的卷积模块Conv；

步骤2：在YOLOv5s网络模型的骨干网络中引入轻量型通道和空间注意力机制CBAM；

步骤3：采用BiFPN结构作为YOLOv5s网络模型的特征融合网络，优化原有的FPN和PANet结构，完成改进后的YOLOv5s网络模型；

步骤4：制作火灾图像检测数据集并将其分为训练集、验证集和测试集；

步骤5：将步骤4中的火灾图像检测数据集输入到改进后的YOLOv5s网络模型中，并经过GPU进行训练和测试，得到最优权重；

步骤6：使用最优权重将需要检测的火灾图像输入到步骤5训练和测试后的YOLOv5s网络模型中，得到火灾实时检测结果。

2.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤1具体为：RepVGG模块是一种轻量型的卷积神经网络模块，分别在骨干网络的第1层、第4层、第6层和第8层改进替换原来的Conv模块。

3.根据权利要求2所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤2中，CBAM注意力机制是一种轻量型的通道和空间注意力机制，在骨干网络的第3层引入该模块。

4.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤3中，所述BiFPN结构是一种加权双向特征金字塔网络，基于FPN结构BiFPN网络的每个节点都会对输入的特征向量以加权融合的方式来融合不同特征层，基于PANet结构BiFPN网络重复实现自上而下和自下而上的双向融合，最终三个BiFPN基础结构叠加输出融合低维和高维的特征。

5.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤4具体为：明确需要检测的火灾图像和尺寸大小，通过视频截取、相机拍摄和在线搜集的方式收集火灾图像，使用目标检测标注软件Labelimg对得到的火灾图像进行信息标注并存储为xml格式的文件类型，完成信息标注后统计火灾图像数据集的图像数量，将所有完成信息标注的xml格式的文件类型转换为txt文件类型，得到火灾图像检测数据集。

6.根据权利要求5所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤4中，信息标注包括：选择标注所述火灾图像数据集的格式为VOC格式、需要检测的火灾类别、已标注图片生成文件的名称和存储路径、所在图像中目标区域的坐标值和长宽大小。

7.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法，其特征在于，步骤5具体为，将火灾图像检测数据集中的图像输入到改进后的YOLOv5s网络模型并经过GPU进行迭代训练，训练得到改进后的YOLOv5s网络模型的最优权重。