[发明专利]一种基于Yolov5模型的烟火检测识别算法

权利要求书

1.一种基于Yolov5模型的烟火检测识别算法，其特征在于，包括以下步骤：

步骤S1：搜集烟火图像，输入烟火图像；

步骤S2：划分不予识别区域，使用者手动划出不予识别区域；

步骤S3：将完成划分不予识别区域后的烟火图像，进行数据采集，构建成烟火图像数据集；

步骤S4：将烟火图像数据集，在Yolov5基础上，对模型的锚框进行重新设计，并额外嵌入处理信息机制单元；

步骤S5：对建立的烟火数据集进行深度学习训练，设置训练路径，读取训练的参数，加载训练模型，选择训练的优化器，加载训练集，最终完成训练，得到模型T1；

步骤S6：将模型T1进行模型识别，得到烟火检测初步结果；

步骤S7：初步结果去静态误报，采用RGB三通道检测法和帧差法共同进行去静态误报，得到识别结果。

2.根据权利要求1所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述步骤S1中烟火图像包括若干环境和形态下的烟火图片。

3.根据权利要求1所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述步骤S2中划出不予识别区域可去除动态误报和遮挡隐私。

4.根据权利要求1所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述步骤S4中锚框进行重新设计的算法为Kmeans聚类算法，具体为：

步骤S411：输入锚框bboxes、簇数和更新簇坐标的方法；

步骤S412：在所有的bboxes中随机挑选K个作为簇中心；

步骤S413：通过k_means++计算初始值，并计算每个bboxes离每个簇的距离；

步骤S414：计算每个bboxes距离最近的簇中心，根据每个簇中的bboxes重新计算簇中心；

步骤S415：计算单独一个点和一个中心的距离，计算中心点和其他点直接的距离，得到距离集T2。

5.根据权利要求4所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述步骤S4中处理信息机制单元的算法具体为：

步骤S421：输入距离集T2，通过计算得出X最大池和Y最大池；

步骤S422：通过Concat函数映射计算、Conv2d卷积函数计算和BatchNorm训练计算；

步骤S423：通过Non-linear非线性计算和Spilt函数计算

步骤S424：通过双重Conv2d卷积函数计算和Sigmoid神经元非线性函数计算，最后通过Re-weight实时目标检测；

步骤S425：完成步骤S321至步骤S424的训练后，输入距离集T1，即可直接获取Re-weight实时目标检测。

6.根据权利要求1所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述步骤S7中RGB三通道检测法为利用烟火的R值、G值和B值的特征判断而去除静态误报。

7.根据权利要求1所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述RGB三通道检测法为在排除干扰区的图片，进行再次识别；主要采取色彩值的确定火焰的形态和范围，火焰图像颜色分布及灰度分布有一定规律，根据火焰燃烧现象，用三原色分布配比来确定火焰的燃烧情况：R为红色，G为绿色，B为蓝色；

r＝R/(R+G+B)

g＝G/(R+G+B)

b＝B/(R+G+B)

根据实际火焰图片推算出r、g、b为区段值

xry

x1gy1

x2by2

当r、g、b同时满足区段值时视为火焰。

8.根据权利要求1所述一种基于Yolov5模型的烟火检测识别算法，其特征在于，所述骤S6中帧差法为采用前后N帧的烟火面积、形状来判断而去除静态误报。