[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

说明书

本发明公开了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，使用RepVGG模块替换了YOLOv5s网络模型骨干网络的卷积模块Conv；在YOLOv5s引入轻量型通道和空间注意力机制CBAM；采用BiFPN结构作为YOLOv5s的特征融合网络；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；将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；使用最优权重将火灾图像输入到YOLOv5s网络模型中，得到火灾实时检测结果。本发明使得检测火灾图像的速度更快，精度更高，降低了网络模型的计算量，提高了推理和检测的精度。

技术领域

本发明属于目标检测方法技术领域，具体涉及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。

背景技术

火灾发生时不仅会对人类的生命安全和财产造成严重威胁，而且会对人类和生态系统带来巨大的破坏。这种破坏往往会快速蔓延并容易失去控制，严重危害相关区域的生产安全且被破坏的区域往往难以再生和恢复。传统的火灾检测识别方法如感温、感烟、感光等技术易受到空间高度、气流、粉尘等因素的影响，不适合在大空间以及户外的环境，而可视火灾检测技术由于其反应速度快，检测范围广，监测距离远等优点越来越受到人们的重视；

近年来，随着计算机视觉的快速发展，基于深度学习与图像处理相结合的火灾检测技术也在迅速发展，基于深度学习的火灾检测技术可以克服传统火灾检测技术的不足。因此，基于深度学习的火灾检测技术为解决公共安全问题提供了一种全新的解决办法。

发明内容

本发明的目的是提供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，解决了目前检测火灾图像的速度和精度不够高、且一定程度上网络模型的计算量有待进一步优化的问题。

本发明所采用的技术方案是，

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，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，对图像目标区域进行特征提取；

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。

本发明的特点还在于；

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；特征提取是基于RepVGG模块的结构重参数化方式进行，在训练模型阶段提取特征向量。

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。

步骤3中，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。