一种基于改进MobileNetv2的火焰识别方法技术

本发明专利技术涉及一种基于改进MobileNet v2的火焰识别方法。本发明专利技术为解决小目标火焰分类问题，提出一种分类快速，并且对小目标分类具有鲁棒性的模型对监控视频中火焰进行识别。本发明专利技术通过设计注意力模块ECA

【技术实现步骤摘要】
一种基于改进MobileNet v2的火焰识别方法


[0001]本专利技术涉及计算机视觉领域，具体涉及一种基于改进MobileNet v2的火焰识别方法。

技术介绍

[0002]目前，火灾是一种普遍的灾害。火焰识别技术应用广泛，例如在消防安全、石油化工、航空航天等领域都有着重要的应用价值。为了能够尽早掌握火灾的信息，提高火灾的处理效率和减少人员伤亡，火灾监测技术已成为了一个热门的研究领域。其中，火焰识别技术是火灾监测技术的重要组成部分。
[0003]传统火焰识别方法，主要依赖传感器检测，包括光学检测(通过火焰的颜色、亮度、辐射波长等特征来判断是否存在火焰)、热学(利用火焰产生的热量来进行检测)以及基于人工选取特征的机器学习等方法。然而，传统的方法存在着灵敏度低、处理速度慢、对光照和背景的适应性不足等问题。
[0004]随着计算机技术的不断发展，基于深度学习的火焰识别技术成为了火灾监测领域的研究热点，相对于传统技术，具有更高的准确性、更好的鲁棒性和更强的普适性。主流方法为，火焰目标检测和火焰图像分类。但是识别准确率高的目标检测模型往往需要较大的内存与算力，而对于普通嵌入式设备来说很难达到要求。目前大多数分类算法可以达到实时要求，其中MobileNet v2(轻量化卷积神经网络)模型较为轻量，但是在低算力平台识别速度依然较慢，存在改进空间，利用轻量化卷积模块替代原始模块提升识别速度。同时对于火灾报警需要在小火苗阶段立刻报警，但是传统摄像头视野较大，小火苗通常不到图片的1/50，属于小目标，同时火焰大小、形态变化快速。因此需要一个分类快速，并且对小目标分类具有鲁棒性的模型。但是MobileNet v2没有注意力机制，对火焰目标的特征提取能力较弱，尤其是对于小目标，分类精度不高，因此提出一种基于改进MobileNet v2的火焰识别方法。

技术实现思路

[0005]针对现有技术的不足。本专利技术提出一种基于改进MobileNet v2的火焰识别方法。
[0006]本专利技术包括以下步骤：
[0007]步骤一、收集火焰数据：收集公开的火灾图像、视频，同时为补充数据图片人工制作模拟火灾视频；
[0008]步骤二、处理火焰图片数据：对收集到对视频进行逐帧提取图片；
[0009]步骤三、图片分类以及数据集划分：对得到的图片进行有无火焰分类，并将数据集划分为训练集、验证集、测试集。
[0010]步骤四、图像数据增强。
[0011]步骤五、基于MobileNet v2的网络构建火焰识别模型：
[0012]火焰识别模型包括3*3卷积模块、bottleA模块、bottleB模块、bottleC模块、全局
平均池化层、线性层和LeakyRelu
‑
6激活函数。bottleA模块提取特征时，不改变特征形状，改变特征通道数。bottleB模块提取特征时，将特征形状改变为原来一半，也能改变特征通道数。bottle
‑
C模块不改特征形状，改变特征通道数。输入图像依次经3*3卷积模块、第一bottleA模块、第一bottleB模块、第一bottleC模块、第二bottleB模块、第二bottleA模块、第三bottleA模块、第二bottleC模块、第三bottleB模块、第四bottleA模块、第五bottleA模块、第三bottleC模块、第六bottleA模块、第四bottleC模块、第四bottleB模块、第五bottleC模块、全局平均池化层、再经两次线性层和LeakyRelu
‑
6激活函数处理后得到预测值。
[0013]bottleA模块包括深度卷积可分离卷积、Ghoust
‑
half模块、LeakyRelu
‑
6激活函数、1*1卷积模块和线性层；输入的特征baf1依次经Ghoust
‑
half模块和LeakyRelU
‑
6激活函数、深度可分离卷积层和LeakyRelU
‑
6激活函数、1*1卷积模块和线性层处理后输出baf4，最后对特征baf4进行判断，当特征通道数改变时，不进行残差操作，输出特征baf4；当特征通道数不改变时，对提取的特征baf4和输入特征baf1按元素相加，输出特征baf5；
[0014]Ghoust
‑
half模块包括1*1卷积层，深度卷积可分离卷积和仿射变换；输入特征gf1依次经1*1卷积和LeakyRelu
‑
6函数、深度卷积可分离卷积处理后输出特征gf3，对特征进行不同参数仿射变换，输出特征gf4，对特征gf3和特征gf4在通道维度拼接输出特征gf5。
[0015]bottleB模块包括深度卷积可分离卷积、Ghoust
‑
half模块、LeakyRelU
‑
6激活函数、1*1卷积模块和线性层。输入的特征bbf1依次经Ghoust
‑
half模块和LeakyRelU
‑
6激活函数、深度可分离卷积层和LeakyRelU
‑
6激活函数、1*1卷积模块和线性层处理后输出特征bbf4；
[0016]bottleC模块包括bottleA模块和ECA
‑
5模块，输入的特征bcf1经bottle
‑
A模块、ECA
‑
5模块处理后输出特征bcf3。
[0017]ECA
‑
5模块为注意力机制包括全局平均池化层、1*1卷积层和Sigmoid激活函数。输入特征bef1依次经全局平均池化层、1D卷积、Sigmoid激活函数处理后输出特征权重，然后与输入特征按照通道数对应相乘，输出特征bef5。
[0018]步骤六、训练模型并调参优化模型：使用Adam优化器，采用步骤三和四得到的数据集对步骤五构建的模型进行训练，使损失函数收敛至最小；选择验证精度高度的模型参数进行保存。
[0019]步骤七、火焰识别：将待识别图片输入步骤六保存的火焰识别模型中进行识别；使用softmax函数将火焰识别模型预测值转换为概率[p1,p2]，[p1,p2]为0到1之间，且和为1；其中i为向量位置，p1表示为模型预测的图片为正常的概率，p2表示为模型预测的图片为火焰的概率，比较p1,p2，输出识别结论。
[0020]进一步的，所述步骤四对训练集图像进行旋转、畸变、对称变化以增加训练集图片数量。
[0021]进一步的，所述畸变采用坐标畸变，其畸变公式为：x0＝x*(1+k1*r2+k2*r4),y0＝y*(1+k1*r2+k2*r4)；其中，r2＝x2+y2，(x，y)为像素在图像原坐标，(x0，y0)为畸变后坐标。
[0022]进一步的，步骤六所述损失函数为交叉熵损失函数，在每次迭代中，计算损失函
数、计算梯度并反传，更新参数值，减小损失函数的值，直到模型收敛，同时为防止过拟合，迭代次数不超过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进MobileNet v2的火焰识别方法，其特征在于：具体包括如下步骤：步骤一、收集火焰数据：收集公开的火灾图像、视频，同时为补充数据图片人工制作模拟火灾视频；步骤二、处理火焰图片数据：对收集到对视频进行逐帧提取图片；步骤三、图片分类以及数据集划分：对得到的图片进行有无火焰分类，并将数据集划分为训练集、验证集、测试集；步骤四、图像数据增强；步骤五、基于MobileNet v2的网络构建火焰识别模型：火焰识别模型包括3*3卷积模块、bottleA模块、bottleB模块、bottleC模块、全局平均池化层、线性层和LeakyRelu
‑
6激活函数；bottleA模块提取特征时，不改变特征形状，改变特征通道数；bottleB模块提取特征时，将特征形状改变为原来一半，也能改变特征通道数；bottle
‑
C模块不改特征形状，改变特征通道数；输入图像依次经3*3卷积模块、第一bottleA模块、第一bottleB模块、第一bottleC模块、第二bottleB模块、第二bottleA模块、第三bottleA模块、第二bottleC模块、第三bottleB模块、第四bottleA模块、第五bottleA模块、第三bottleC模块、第六bottleA模块、第四bottleC模块、第四bottleB模块、第五bottleC模块、全局平均池化层、再经两次线性层和LeakyRelu
‑
6激活函数处理后得到预测值；bottleA模块包括深度卷积可分离卷积、Ghoust
‑
half模块、LeakyRelu
‑
6激活函数、1*1卷积模块和线性层；输入的特征baf1依次经Ghoust
‑
half模块和LeakyRelU
‑
6激活函数、深度可分离卷积层和LeakyRelU
‑
6激活函数、1*1卷积模块和线性层处理后输出baf4，最后对特征baf4进行判断，当特征通道数改变时，不进行残差操作，输出特征baf4；当特征通道数不改变时，对提取的特征baf4和输入特征baf1按元素相加，输出特征baf5；Ghoust
‑
half模块包括1*1卷积层，深度卷积可分离卷积和仿射变换；输入特征gf1依次经1*1卷积和LeakyRelu
‑
6函数、深度卷积可分离卷积处理后输出特征gf3，对特征进行不同参数仿射变换，输出特征gf4，对特征gf3和特征gf4在通道维度拼接输出特征gf5；bottleB模块包括深度卷积可分离卷积、Ghoust
‑

【专利技术属性】
技术研发人员：张然然，郭健，邱玮杰，张游，胡佳杰，
申请(专利权)人：杭州科技职业技术学院，
类型：发明
国别省市：