[发明专利]一种基于Yolov5模型的烟火检测识别算法

说明书

本发明公开了一种基于Yolov5模型的烟火检测识别改进算法，将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，通过深度学习算法的应用，极大的提高了识别率，再通过RGB三通道检测法和帧差法共同进行去静态误报，则在最大程度上降低了深度学习算法误报率高的问题，检测准度高，大大提高了小目标的鲁棒性，具有一定的使用价值和推广价值。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于Yolov5模型的烟火检测识别算法。

背景技术

随着社会的发展和进步，人们对灾难的提前预防，并加以干预的意识正在不断提高。而火灾更是一种严重威胁人类生命以及财产安全的灾害，更因为其破坏性、不可控性，火灾的预防和尽早发现，一直是人类社会中最重要的研究课题之一。

比较传统的烟火识别检测技术，主要是针对于烟火的特征进行提取分析，以此对烟火进行识别。常用的方法有利用帧差法，前后多帧进行比较分析，以求对烟火进行识别；也有利用RGB颜色进行分析，利用火焰燃烧时候的特殊火焰特征，采取关于亮度、红蓝值的信息，从而进行对烟火的识别检测；还有针对于烟火的形状、纹理以及特征进行分析对比，也能对烟火进行识别。虽然这些较为传统的烟火识别方法也能对绝大部分烟火进行识别检测，更有计算量小、识别速度快等优点。但它准确率低，识别率低、缺乏小面积精确识别的等等缺点，更不可忽视。

近几年来，随着深度学习的发展，烟火识别技术也有了一定程度上的进步。而其中比较常见的是Yolo系列的算法，但是现有的烟火检测算法准确性低和误报率高。

综上所述，需要一种基于Yolov5模型的烟火检测识别算法来解决现有技术中所存在的不足之处。

发明内容

针对现有技术的不足，本发明提供了一种基于Yolov5模型的烟火检测识别算法，旨在解决上述问题。

为实现上述目的，本发明提供如下技术方案：一种基于Yolov5模型的烟火检测识别算法，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。

首先搜集烟火图像，形成烟火图像集，将烟火图像集输入，划分出烟火图像集中图像的不予识别的烟火区域，再进行数据采集，构建成烟火图像数据集，在Yolov5基础上，对锚框进行重新设计，并额外嵌入处理信息机制单元，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，将模型T1进行模型识别，得到烟火检测初步结果，最后将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，通过深度学习算法的应用，极大的提高了识别率，再通过RGB三通道检测法和帧差法共同进行去静态误报，则在最大程度上降低了深度学习算法误报率高的问题，检测准度高，大大提高了小目标的鲁棒性。

可选的，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。烟火图像包括至少3万张不同环境、不同形态下的烟火图片，庞大的数据集，提高了最终训练出来的模型性能。