【技术实现步骤摘要】
本专利技术涉及火焰和烟雾监测，具体涉及一种火焰和烟雾轻量化检测与监控预警方法。
技术介绍
1、在火焰和烟雾监测
，准确及时地监测火灾的发生迹象是一项高难度任务。目前常见的检测算法对复杂场景下识别存在一些挑战，特别是在不同光照、不同环境、不同大小目标以及遮挡和透明情况下对火焰与烟雾这类容易与背景混合的目标难以准确和及时地检测。因此，需要一种快速和精密的技术来克服以上挑战，提高检测算法在火焰和烟雾技术监测领域的应用价值。
2、火焰和烟雾监测技术是现代社会基础设施安全的重要消防保障技术，涉及消防安全与财产保护保障。传统的火焰与烟雾监测主要依赖于室内安装的烟雾报警器、温度传感器以及红外热像仪技术。
3、传统的烟雾报警器与温度传感器通常部署于封闭空间，一旦产生烟雾或异常温度能够及时发出报警信号，但该方法在开放空间易受环境影响并导致对烟雾和温度的探测结果误测或漏报。
4、红外热像仪是一种非接触测温方式，采用显示图像技术，使用红外热成像仪采集检测物体的表面温度变化图像，并及时输出报警信息。该方法能够准确识别火源和着火点，但对潜藏的小目标烟雾以及远距离小目标火焰与烟雾的探测存在较大困难。
5、yolo(youonlylookonce)系列算法是一项相对成熟的计算机视觉处理算法，tiny系列算法以及yolov5s等小规模算法有着较好的实时性，yolov7和yolov8系列算法有着最先进(stateoftheart)的检测精度，以上算法均能很好地规避传统监测存在的一些问题，但在该领域中对低分辨率
6、上述技术存在以下问题：
7、1、多尺度和分辨率问题：传统监测方法对开放空间和远距离条件下对火灾信号的探测能力远不如基于视觉的检测算法，而传统目标检测算法虽然能够实现远距离的信息特征识别效果，但对于不同分辨率条件以及大尺度目标和小目标的检测依然存在挑战，在检测网络对不同分辨率图像进行采样的过程中仍然会出现不同尺度特征融合丢失的问题，同时检测网络对图像中的微小目标以及占据图像空间较大的目标进行采样时会出现梯度消失和丢失原始特征信息的问题，导致了对多尺度目标和不同分辨率图像检测困难。
8、2、火焰和烟雾图像与背景拟合的问题：火焰与烟雾在检测过程中是一种动态变化的图像，在实时检测火焰与烟雾的过程中火焰和烟雾图像会产生形变，同时半透明的特点使火焰与烟雾目标在强暗光或特殊场景下与背景难以区分，导致特征提取网络难以准确提取关键区域的特征信息。
9、3、多目标与遮挡问题：在各种复杂环境条件下的火灾场景中，同时检测火焰和烟雾多目标同时处理图像采集过程中产生的遮挡问题是一项重大挑战。部分火灾场景如小规模火情或特殊易燃物质的火情可能仅产生火焰，以及可燃物质堆放造成仅产生烟雾的暗火火情，以及其大部分图像被墙壁等不可燃物质遮挡的情况，都是现有技术亟待解决的问题。
技术实现思路
1、本专利技术主要解决的技术问题是提出一种火焰和烟雾轻量化检测与监控预警方法，能够有效应对多尺度、多目标、不同分辨率、图像背景拟合以及遮挡问题的检测挑战，在面对以上技术问题和挑战的同时尽可能提升准确率、召回率并降低误检率，在提升算法效果的同时尽可能将算法所需的算力降低，提高算法的实时性能，为复杂环境下的火焰和烟雾检测提供了一种更优方法。
2、为实现上述目的，本专利技术提供了一种基于sds-yolov8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，包括如下步骤：
3、步骤s1：获取火焰和烟雾原始图像，进行筛选、标注，构建火焰和烟雾数据集；
4、步骤s2：使用动态上采样算子dysample改进slim-neck网络形成dyslim-neck结构，使用simam无参数注意力机制改进yolov8n特征提取骨干网络，将dyslim-neck结构与改进后的yolov8n特征提取骨干网络进行连接，构建sds-yolov8n检测网络；
5、步骤s3：将构建的火焰和烟雾数据集输入sds-yolov8n检测网络进行训练；
6、步骤s4：利用训练好的sds-yolov8n检测网络对采集的图片、视频和实时图像流进行检测，进行火焰和烟雾图像监测和预警。
7、采用上述技术方案步骤，搜集鲁棒场景下的各种数据图像并标注制作数据集，在目标检测系列算法中选择适合本技术方案的原始算法，并对原始检测算法进行改进得到改进后的网络架构，结合构建的数据集训练改进的火焰和烟雾轻量化检测网络，对获得的检测结果进行分析得到最佳效果模型，将最佳模型置入开发的火焰与烟雾监测系统中，对不同检测结果进行数据分析及监测。
8、进一步地，在所述步骤s1中，构建白天、夜晚等不同光照条件，楼房、工厂、森林、道路等不同环境以及不同分辨率和巨大、微小目标的私有火焰烟雾数据集，从而保证算法在基于该数据集训练后的最佳模型能够应对各种泛化场景，提升本方法的鲁棒性，包括如下步骤：
9、收集各种复杂条件和环境下的火焰和烟雾原始图像，筛选掉低质量数据；
10、使用labelme对筛选后的数据进行标注，构建yolo格式的火焰与烟雾数据集；
11、按训练要求将构建的火焰与烟雾数据集按比例划分为训练集和测试集。
12、所述步骤s1中还包括对采集的数据集进行数据增强，具体使用离线mosaic、mixup方法对采集的部分图像数据进行图像增强处理，对收集到的火焰与烟雾图像中小样本数据进行数据扩充，尽可能提高数据集覆盖面以增强泛化场景的鲁棒性。
13、进一步地，在步骤s2中，使用simam无参数注意力机制改进yolov8n特征提取骨干网络，包括：
14、重新定义每个神经元的能量函数et(wt,bt,y,xi)：
15、
16、其中，wt,bt,y,xi分别表示，wt是第t个神经元的注意力权重，bt表示偏置项，yt和y0表示代表周围神经元和目标神经元的预设值，t和xi是同一通道上的目标神经元和其他神经元，和表示目标神经元t和其他神经元xi的线性变换结果，m＝h×w即特征图的高度和宽度乘积并表示该通道特征图在空间维度上的神经元数量；
17、针对公式(1)采用二值标签并添加正则项，将能量函数的学习率固定为[1e-4]，通过多次实验固定检测网络在学习过程中的最佳平衡效果，得到最终的能量函数定义如下：
18、
19、根据注意力机制的定义，对特征图进行增强处理：
20、
21、其中，x是输入的特征图，是增强处理后的特征图，使用激活函数来限制能量函数最大值，能量越低，神经元t与周围神经元的区别越大，重要性越高，e代表每个空间和通道维度上的et的集合，因此神经元的重要性可通过得到。
22、进一步地，在步骤s2中，使本文档来自技高网...
【技术保护点】
1.一种基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，步骤S1包括：
3.根据权利要求2所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，步骤S1还包括：
4.根据权利要求1所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，在步骤S2中，使用SimAM无参数注意力机制改进YOLOv8n特征提取骨干网络，包括：
5.根据权利要求1所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，在步骤S2中，使用动态上采样算子DySample改进Slim-Neck网络形成DySlim-Neck结构，包括使用两个动态上采样算子DySample对骨干网络提取的特征进行上采样操作，使用GSConv卷积对传递特征信息进行下采样操作，将Slim-Neck网络的C2f特征处理模块替换为VoVGSCSPC轻量化网络模块。>
6.根据权利要求1所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，步骤S3包括：将构建的火焰和烟雾数据集输入SDS-YOLOv8n检测网络进行训练，得到火焰和烟雾检测最佳训练权重，基于测试集的训练结果与基准和YOLOv3-tiny、YOLOv5s、YOLOv6以及YOLOv8n的参数量、GFLOPs和模型内存大小，以及mAP50、mAP95、Precision和Recall检测指标进行对比实验，训练得到最佳效果的SDS-YOLOv8n火焰与烟雾检测网络。
7.一种电子设备，包括处理器和存储器，所述存储器存储有可在所述处理器上运行的程序，其特征在于所述程序被所述处理器执行时实现权利要求1-6任一项所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法的步骤。
8.一种计算机存储介质，存储有至少一个程序，其特征在于，所述至少一个程序可被至少一个处理器执行，以实现权利要求1-6任一项所述的基于SDS-YOLOv8n的火焰和烟雾轻量化检测与监控预警方法的步骤。
...【技术特征摘要】
1.一种基于sds-yolov8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于sds-yolov8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，步骤s1包括：
3.根据权利要求2所述的基于sds-yolov8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，步骤s1还包括：
4.根据权利要求1所述的基于sds-yolov8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，在步骤s2中，使用simam无参数注意力机制改进yolov8n特征提取骨干网络，包括：
5.根据权利要求1所述的基于sds-yolov8n的火焰和烟雾轻量化检测与监控预警方法，其特征在于，在步骤s2中，使用动态上采样算子dysample改进slim-neck网络形成dyslim-neck结构，包括使用两个动态上采样算子dysample对骨干网络提取的特征进行上采样操作，使用gsconv卷积对传递特征信息进行下采样操作，将slim-neck网络的c2f特征处理模块替换为vovgscsp...
【专利技术属性】
技术研发人员：郭世京，王勇，王成，张金京，王雨澄，朱恩江，梁艳，
申请(专利权)人：江苏金恒信息科技股份有限公司，
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。