【技术实现步骤摘要】
一种融合全局及局部特征的轻量化火焰识别深度学习模型
[0001]本专利技术属于图像识别处理
,具体涉及一种融合全局及局部特征的轻量化火焰识别深度学习模型。
技术介绍
[0002]近年来,基于图像处理的火焰识别技术通过对现场图像进行综合分析,为火灾检测提供了更为精确、高效的手段。与传统基于物理传感器的火灾识别方法相比,基于图像处理的火焰识别技术覆盖距离和范围广、稳定性高、部署较为方便。
[0003]传统基于机器视觉的火焰检测方法主要通过捕捉火焰形状、颜色、亮度等多个特征进而实现火焰识别。具体方法如下所述:
[0004]一、针对不同颜色模型的特点,各种火焰图像处理分别基于RGB、HSV、YCbCr、YUV等颜色模型有效地实现火焰图像的识别和检测。
[0005]二、根据火焰形状的独特性,也可以用来辅助火焰图像的识别和检测。火焰形状特征主要包括火焰大小、形状、边缘、纹理、轮廓等特征。
[0006]三、可以利用火焰蔓延扩散的运动信息进行火灾识别和检测。火焰蔓延扩散运动特性主要包括火焰扩散速度、移动方向、形态变化等。这些运动特性可以通过数字图像处理技术进行分析和提取,从而实现对火焰的运动轨迹、速度、加速度等参数的计算和分析。其中最常用运动目标检测方法有光流法、帧间差分法、背景减除法等。
[0007]然而,早期这种手工提取特征存在一下问题:如实现难度较大、识别精度不高、模型鲁棒性较差,很难满足实际应用要求。
[0008]当前基于深度学习的图像处理方法相比传统方法优势日益明显,其 ...
【技术保护点】
【技术特征摘要】
1.一种融合全局及局部特征的轻量化火焰识别深度学习模型,其特征在于:包括以下步骤:步骤1,采集、收集火焰图像数据,构建火焰识别数据集;步骤2,构造能提取火焰图像全局特征的轻量级Transformer模块E
‑
TB;步骤3,构建基于轻量级Transformer模块E
‑
TB和卷积神经网络的全局和局部特征提取及融合模块CTB;步骤4,通过ShuffleNetV2模块和CTB模块串联堆叠实现了从浅到深的逐级特征提取,并最终构建火焰图像全局和局部特征提取的网络框架SConvTrans;步骤5,将构建的火焰识别数据集划分为训练集和测试集,并利用该数据对构建的网络框架SConvTrans进行训练和测试,得到轻量化火焰识别深度学习模型。2.根据权利要求1所述的一种融合全局及局部特征的轻量化火焰识别深度学习模型,其特征在于:所述步骤2,构造能提取火焰图像全局特征的轻量级Transformer模块E
‑
TB的具体方法是:首先对输入特征图X
U
∈R
d
×
H
×
W
划分patch块,其中,d:特征图通道数;H:特征图高度;W:特征图宽度,经过Unfold操作之后其维度变为d
×
N
×
P,d还是通道维度不变,N为patch块的个数,即P为patch块展平后的大小,即ρ2;然后使用高效轻量化注意力机制去捕获数据全局信息,最后再经过Fold操作将特征维度还原为d
×
H
×
W。3.根据权利要求2所述的一种融合全局及局部特征的轻量化火焰识别深度学习模型,其特征在于:所述高效轻量化注意力机制具体是:先经过高效多头自注意力机制EMHSA,然后通过平均池化降低K、V的维度,再经过多层感知机MLP,从而实现全局特征信息的提取。4.根据权利要求3所述的一种融合全局及局部特征的轻量化火焰识别深度学习模型,其特征在于:E
‑
TB整体过程表示为:TB整体过程表示为:式中:μ,分别代表输入特征,EMHSA以及MLP的输出特征。5.根据权利要求4所述的一种融合全局及局部特征的轻量化火焰识别深度学习模型,其特征在于:所述高效多头自注意力机制EMHSA表示为:EMHSA(z)=Concat(head1(z1),head2(z2),......,head
i
(z
i
))W
o
,i=1,2,......,hhead(X)=Attention(X
·
W
Q
,P
s
(X
·
W
K
),P
s
(X
·
W
V
))式中:z表示在通道维度上将输入特征划分为多头形式;head表示低计算量的自注意力算子;W
Q
,W
K
,W
V
是用于上下文编码的线性层;P
s
是一个步距为s的全局池化操作;EMHSA(z)是标准的多头自注意力计算公式,式中d
k<...
【专利技术属性】
技术研发人员:王斌,赵倩,秦品乐,曾建潮,乔钢柱,
申请(专利权)人:中北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。