一种基于改进YOLOv4的火烟目标检测方法、设备及存储介质技术

本发明专利技术涉及一种基于改进YOLOv4的火烟目标检测方法、设备及存储介质，所述方法包括以下步骤：步骤S1、获取火烟数据集，并进行数据预处理；步骤S2、构建基于改进YOLOv4算法的火烟检测模型，输入训练集数据，多次训练迭代后，对火烟检测模型训练得到的参数进行移动指数平均EMA，并基于性能评估指标筛选出最优火烟检测模型；步骤S3、采用最优火烟检测模型对测试集中的图像进行检测，输出置信度最高的边框，完成火烟图像的检测。与现有技术相比，本发明专利技术具有检测精度高以及检测快速的优点。具有检测精度高以及检测快速的优点。具有检测精度高以及检测快速的优点。

【技术实现步骤摘要】
一种基于改进YOLOv4的火烟目标检测方法、设备及存储介质


[0001]本专利技术涉及图像识别
，尤其是涉及一种基于改进YOLOv4的火烟目标检测方法、设备及存储介质。

技术介绍

[0002]在威胁社会公众安全的灾害中，火灾是最常见的灾害之一。火灾具有不确定性、复杂性、快速性等特征，其发生易造成严重的经济损失和人员伤亡。随着社会经济高速发展，引发火灾的因素逐渐增多，各类火灾事故不断，严重威胁着群众生命财产安全和社会和谐稳定。对于火灾预警，关键在于对火烟进行检测和识别。
[0003]早期火灾预警大多采用传统的火灾探测器，即火灾产生的烟雾、温度或其他因素组合触发探测器启动预警和灭火系统。在现实生活中，各类火焰探测器主要有热感应式探测器以及光感应式探测器，普遍存在着响应延迟，易故障或失效的缺陷，不适用于高大空间或室外场景等难以解决的缺陷。
[0004]对于烟雾检测来说，绝大多数还是采用感烟、感温、感光以及复合型检测器，这些检测器是依靠检测燃烧过程中的副产物(烟雾粒子、温度变化等)来检测烟雾的。但是，由于火烟类型难以界定，尤其是烟雾边缘模糊加上环境复杂，很难得到理想的特征提取。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种检测精度高以及检测速度快的基于改进YOLOv4的火烟目标检测方法、设备及存储介质。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]根据本专利技术的第一方面，提供了一种基于改进YOLOv4的火烟目标检测方法，该方法包括以下步骤：
[0008]步骤S1、获取火烟数据集，并进行数据预处理；
[0009]步骤S2、构建基于改进YOLOv4算法的火烟检测模型，输入训练集数据，多次训练迭代后，对火烟检测模型训练得到的参数进行移动指数平均EMA，并基于性能评估指标筛选出最优火烟检测模型；
[0010]步骤S3、采用最优火烟检测模型对测试集中的图像进行检测，输出置信度最高的边框，完成火烟图像的检测。
[0011]优选地，所述步骤S1包括以下子步骤：
[0012]步骤S11、采集不同场景下的包含不同颜色烟雾的火烟图像作为火烟数据集；
[0013]步骤S12、对获取到的火烟数据集进行标注，并采用修改融合方式后的改进Mixup算法对标注后的火焰数据集进行数据增强预处理，其中改进Mixup算法表达式为：
[0014]Mixed_batch
x
＝λ*batch
x1
+(1
‑
λ)*batch
x2
[0015]Mixed_batch
y
＝λ*batch
y1
+(1
‑
λ)*batch
y2
[0016]式中，Mixed_batch
x
为混合后的batch样本，Mixed_batch
y
为混合后的batch样本对
应的标签；batch
x1
、batch
x2
分别为两个batch样本，batch
y1
、batch
y2
分别为上述两个batch样本对应的标签；λ服从参数为(a,b)的均匀分布，其中a，b为两个设定的常数；
[0017]步骤S13、将预处理过后的火烟数据集按设定的比例划分为训练集、验证集和测试集。
[0018]优选地，所述不同场景包括室内、森林以及山上。
[0019]优选地，所述步骤S12中的常数a，b分别为0.2和0.8。
[0020]优选地，所述步骤S2包括以下子步骤：
[0021]步骤S21、构建基于改进YOLOv4算法的火烟检测模型；
[0022]步骤S22、对火烟检测模型每个epoch训练得到的参数进行移动指数平均EMA，得到参数平均值v
t
；
[0023]步骤S23、对参数平均值v
t
进行偏差修正，则修正后的参数平均值v
′
t
的表达式为：
[0024][0025]式中，v
t
表示前t次的参数平均值；α是可调的加权权重值；
[0026]步骤S24、基于性能评估指标筛选出最优火烟检测模型。
[0027]优选地，所述步骤S22具体为：
[0028]在火烟检测模型训练的不同阶段，对于每个epoch训练得到的参数集θ＝[θ1,θ2,...,θ
n
]，参数平均值表达式为：
[0029]v
t
＝α
·
v
t
‑1+(1
‑
α)
·
θ
t
[0030]式中，v
t
表示前t次的参数平均值，满足v0＝0；θ
t
为第t次的参数值；α是阶段可调的加权权重值。
[0031]优选地，所述加权权重值α范围为[0.9,0.999]。
[0032]优选地，所述步骤S24中的性能评估指标包括精确率Precision、召回率Recall、平均精度AP、平均精度均值MAP、F1值和检测时间FPS；
[0033]所述精确率Precision表达式为：
[0034][0035]式中，tp为正样本被正确识别为正样本的数量，fn为正样本被错误识别为负样本的数量；
[0036]所述F1值表达式为：
[0037][0038]式中，Precision为精确率，Recall为召回率。
[0039]根据本专利技术的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。
[0040]根据本专利技术的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。
[0041]与现有技术相比，本专利技术具有以下优点：
[0042]1)本专利技术通过对火烟检测模型每个epoch训练得到的参数进行EMA移动指数平均，
在模型训练的不同阶段使用不同的参数值，更好的对模型的参数进行平均，同时在训练后面的阶段不用担心使用加权计算影响到模型的效果；
[0043]2)本专利技术在数据增强方面使用了Mixup，对Mixup进行图像融合的方式进行了一定的修改，采用的是(0.2
‑
0.8)的均匀分布，增大训练的数据集，而且还可以很好的提升算法的鲁棒性。使得在检测火烟时具有更好的精度，同时保持较快的检测速度。
附图说明
[0044]图1为本专利技术实施例中基于YOLOv4的火烟目标检测方法的步骤流程图；
[0045]图2为本专利技术实施例提供的EMA算法的偏差修正图；
[0046]图3为本专利技术实施例中与改进后的EMA对比图；图3(a)为原EMA损失结果图，图3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv4的火烟目标检测方法，其特征在于，该方法包括以下步骤：步骤S1、获取火烟数据集，并进行数据预处理；步骤S2、构建基于改进YOLOv4算法的火烟检测模型，输入训练集数据，多次训练迭代后，对火烟检测模型训练得到的参数进行移动指数平均EMA，并基于性能评估指标筛选出最优火烟检测模型；步骤S3、采用最优火烟检测模型对测试集中的图像进行检测，输出置信度最高的边框，完成火烟图像的检测。2.根据权利要求1所述的一种基于改进YOLOv4的火烟目标检测方法，其特征在于，所述步骤S1包括以下子步骤：步骤S11、采集不同场景下的包含不同颜色烟雾的火烟图像作为火烟数据集；步骤S12、对获取到的火烟数据集进行标注，并采用修改融合方式后的改进Mixup算法对标注后的火焰数据集进行数据增强预处理，其中改进Mixup算法表达式为：Mixed_batch
x
＝λ*batch
x1
+(1
‑
λ)*batch
x2
Mixed_batch
y
＝λ*batch
y1
+(1
‑
λ)*batch
y2
式中，Mixed_batch
x
为混合后的batch样本，Mixed_batch
y
为混合后的batch样本对应的标签；batch
x1
、batch
x2
分别为两个batch样本，batch
y1
、batch
y2
分别为上述两个batch样本对应的标签；λ服从参数为(a,b)的均匀分布，其中a，b为两个设定的常数；步骤S13、将预处理过后的火烟数据集按设定的比例划分为训练集、验证集和测试集。3.根据权利要求2所述的一种基于改进YOLOv4的火烟目标检测方法，其特征在于，所述步骤S11中的不同场景包括室内、森林以及山上。4.根据权利要求2所述的一种基于改进YOLOv4的火烟目标检测方法，其特征在于，所述步骤S12中的常数a，b分别为0.2和0.8。5.根据权利要求1所述的一种基于改进YOLO...

【专利技术属性】
技术研发人员：杨瑞君，陆皓东，张楚，胡雪琦，张斌，何立君，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：