[发明专利]基于深度学习的轻量级消防通道堵塞检测方法

说明书

本发明公开了基于深度学习的轻量级消防通道堵塞检测方法，涉及消防通道堵塞检测技术领域，基于YOLOv5目标检测模型，在其基础之上针对当前消防通道场景进行相关优化改进；本发明通过在嵌入式AI摄像头中部署已经训练完的消防通道堵塞检测的深度学习模型，能够实现在线推理功能，提供的推理API接口可以调用已在云端部署的模型进行推理工作，并可以根据推理结果定制自定义返回的结果报告，实时监测当前检测情况是否为堵塞情况，实现在云端进行模型快速管理的功能，并且提供简单的API接口进行快速管理配置。

技术领域

本发明涉及消防通道堵塞检测技术领域，尤其涉及基于深度学习的轻量级消防通道堵塞检测方法。

背景技术

基于深度学习的消防通道堵塞检测技术的研究，其主要目的是为了能够有效的减少由于消防通道堵塞或占用而导致的重大火灾事故的发生，在消防通道被堵塞或占用时，可以通过模型来识别消防通道中存在的障碍物，同时发出预警提示给相关保安或者负责人及时处理堵塞情况。同时还可以将图片保存作为处罚和追责的工具，反馈给有关的消防部门；

本部分研究内容是针对消防通道场景下，对目标检测的神经网络模型进行相关优化处理：一是，在大多数楼栋住宅的消防通道场景下，堵塞占用的情况往往是家庭日用品，自行车，或者废弃品，如纸箱，生活垃圾等杂物堆积而造成的堵塞，这种堵塞的检测往往存在很多重叠或遮挡的情况，给模型的检测带来困难；二是，该系统需要将摄像头采集到的图像数据在摄像头中的目标检测模型进行相关识别，而一般来说嵌入式设备推理能力有限，如果模型推理的速度过慢，会影响整个系统的正常运行，所以需要设计一种兼顾检测精度与推理速度的目标检测模型，为此，我们提出基于深度学习的轻量级消防通道堵塞检测方法。

发明内容

本发明的目的是为了提出基于深度学习的轻量级消防通道堵塞检测方法。

为了实现上述目的，本发明采用了如下技术方案：

基于深度学习的轻量级消防通道堵塞检测方法，该消防通道堵塞检测方法主要包括以下步骤：

S1、模型轻量化；

S2、模型的边界框损失函数优化；

S3、融合CA注意力机制；

S4、面向消防通道场景下的自适应图像增强。

作为本发明进一步的方案：步骤S1中所述模型轻量化是将YOLOv5的主干网络替换为轻量化网络MobileNetV3，其特点具体表现为：

MobileNetV3采用了深度可分离卷积，深度分离卷积是MobileNet系列的主要特点，也是其发挥轻量级作用的主要因素，深度可分离卷积分为两个过程：

a、channel方向通道可分离卷积；

b、正常的1x1卷积输出指定的channel个数；

MobileNet使用3×3深度可分离卷积，其计算量比标准卷积少8-9倍，而仅在精度上有小幅下降。

作为本发明进一步的方案：步骤S2中通过引入EIoU损失优化原有CIoU损失，EIOU是在CIOU的惩罚项基础上将预测框和真实框的纵横比的影响因子拆开，分别计算预测框和真实框的长和宽，来解决CIOU存在的问题，具体为：

其中EIOU损失函数包含三个部分：预测框和真实框的重叠损失L_IOU，预测框和真实框的中心距离损失L_dis，预测框和真实框的宽和高损失L_asp；EIOU损失的前两部分延续CIOU中的方法，但是宽高损失直接使预测框与真实框的宽度和高度之差最小，使得收敛速度更快，且不受宽和高为线性比例时失效的影响。