【技术实现步骤摘要】
本专利技术涉及机器视觉及图像识别领域，特别涉及一种烟雾检测系统及方法。
技术介绍
1、随着工业化和城市化的快速发展，火灾和大气污染问题日益严重，对人类生活和环境安全构成了重大威胁。烟雾作为火灾和污染的直接指标，其检测技术对于预防和控制火灾、监测空气质量具有重要意义。因此，开发高效、准确的烟雾检测技术已成为当务之急。
2、目前，烟雾检测技术主要依赖光学传感器、离子传感器等设备，这些传统方法虽然在某些应用场景下有效，但在准确性和响应速度上存在局限。特别是在复杂环境下，如光照变化、阴影、天气条件等，这些方法容易受到干扰，导致检测结果不准确。
3、随着深度学习和计算机视觉技术的发展，基于图像处理的烟雾检测方法逐渐成为研究热点。这些方法通过分析图像的颜色、纹理、运动等特征来检测烟雾，但在复杂背景下的表现较差，容易受到光照变化、阴影等因素的干扰。具体来说基于图像处理的烟雾检测方法主要通过如下技术路线实现：
4、基于机器学习的检测方法，如支持向量机（svm）、随机森林等被用于烟雾检测。此类方法依赖手工设计的特征（如颜色直方图、梯度特征等），再利用分类器进行检测。虽在一定程度上提高了检测精度，但因特征设计的局限性，处理复杂场景时仍有不足。
5、基于深度学习的检测方法，卷积神经网络（cnn）被广泛应用于目标检测任务。典型的深度学习模型如 yolo、faster r-cnn、ssd 等被用于烟雾检测，这些模型通过自动学习图像特征，实现了较高的检测精度。但它们通常较为复杂，计算量大，难以在资源受限的设备
6、在现有技术中，基于yolo（特别是 yolov5 及其后续版本）的烟雾检测方法被认为是最相近似的实现方案。yolo 是一种单阶段目标检测模型，将目标检测问题转化为回归问题，通过一次前向传播同时预测多个目标的位置和类别，实现了较高的检测速度和精度。yolov5 通过引入多尺度特征图和改进网络架构，在保持检测速度的同时提高了小目标的检测性能。然而，yolov5 及其后续版本在烟雾检测任务中仍面临诸多挑战：
7、1、模型复杂性和计算量方面，尽管 yolo 模型相对较快，但其计算复杂度仍然较高，在嵌入式设备或实时应用中难以高效运行。这是因为现有模型通常包含大量卷积层和参数，深度神经网络进行前向传播和反向传播需要大量计算资源。例如，yolov5 模型引入多尺度特征图和改进网络架构虽提高了检测性能，但也显著增加了计算量。
8、2、对小目标和复杂场景的检测精度有限。在实际应用中，烟雾常呈现稀疏、动态变化的特性，且可能在复杂背景下出现，增加了检测难度。现有模型在处理小目标和复杂场景时，容易受背景干扰和目标模糊性影响，导致检测精度下降。具体原因在于模型在多尺度特征提取和特征融合方面能力有限，不能充分捕捉小目标的细节特征。
9、因此现在急需一种烟雾检测系统及方法，能够轻量高效在资源受限的设备上实现实时检测、在复杂场景下对小目标和动态变化的烟雾具有高识别准确率、适应不同光照条件和环境干扰、减少对大量训练数据的依赖。
技术实现思路
1、本专利技术提供了一种烟雾检测系统及方法，能够轻量高效在资源受限的设备上实现实时检测、在复杂场景下对小目标和动态变化的烟雾具有高识别准确率。
2、为了解决上述技术问题，本申请提供如下技术方案：
3、一种烟雾检测系统，包括：
4、数据预处理模块，用于对输入图像进行归一化、数据增强和裁剪缩放，得到预处理图像信息；
5、特征提取模块，用于利用卷积神经网络结构进行特征提取，生成多尺度的特征表示，得到特征提取图像，并通过多尺度特征融合技术，结合不同层级的特征图，得到多尺度特征融合图像；
6、cbam注意力机制模块，包括空间注意力子模块和通道注意力子模块，空间注意力子模块用于根据空间注意力机制，增强多尺度特征融合图像中重要空间区域的特征，得到空间注意力图像，空间注意力图像包括空间权重矩阵；通道注意力子模块根据通道注意力机制，以突出重要特征调整多尺度特征融合图像中各通道的权重，得到通道注意力图像；所述cbam注意力机制模块还用于将空间权重矩阵乘以通道注意力图像中各通道的权重得到注意力赋值图像；
7、yolov8目标检测模块，用于在注意力赋值图像上生成锚点，所述锚点用于预测烟雾目标的位置和大小；然后利用回归网络预测每个锚点的边界框坐标，包括边界框的中心位置、宽度和高度；然后通过回归网络对每个边界框进行类别预测，确定其是否包含烟雾，然后通过分类网络预测烟雾的类型，最后得到初步检测结果信息；
8、结果后处理模块，用于对检测结果信息进行非极大值抑制，去除重叠的检测框，然后根据预设的置信度阈值过滤低于阈值的检测结果，保留具有最高置信度的检测结果，烟雾检测结果信息，所述烟雾检测结果信息包括烟雾的位置、大小和类别信息。
9、基础方案原理及有益效果如下：数据预处理模块通过归一化、数据增强和裁剪缩放等操作，对输入图像进行预处理，以提高后续模型处理的效率和鲁棒性。特征提取模块利用卷积神经网络结构提取图像的多尺度特征，并通过特征融合技术结合不同层级的特征图，以增强模型对不同尺寸烟雾目标的检测能力。cbam注意力机制模块通过空间注意力子模块和通道注意力子模块的协同工作，模型能够更加关注图像中对烟雾检测重要的区域和特征，从而提高检测的准确性。
10、yolov8目标检测模块在经过注意力机制增强的特征图上进行目标检测，利用锚点预测烟雾目标的位置和大小，并进行类别预测，以确定烟雾的存在和类型。结果后处理模块通过非极大值抑制和置信度阈值过滤，优化检测结果，去除重叠和低置信度的检测框，保留最可靠的检测结果。
11、通过cbam注意力机制，模型能够更加关注图像中对烟雾检测重要的特征，尤其是在复杂场景下对小目标和动态变化的烟雾，提高了检测的准确性。能够适应不同光照条件和环境干扰，保持在各种复杂环境下的高精度检测，增强了模型的鲁棒性。yolov8模型的轻量化设计使得系统能够在资源受限的设备上实时运行，降低了对计算资源的需求。
12、通过优化的网络结构和注意力机制，系统能够在有限的训练数据上实现有效的学习，减少了对大量标注数据的依赖。系统的高效性使其能够实现实时烟雾检测，对于火灾预防和空气质量监测具有重要的实际应用价值。
13、本专利技术采用yolov8模型，这是一种专为提高效率而设计的轻量化卷积神经网络。yolov8通过减少网络层的数量和参数，有效降低了模型的复杂性。相比于传统的深度学习模型，yolov8在保持较高检测精度的同时，显著减少了计算量和内存占用。
14、利用多尺度特征提取技术，模型能够同时捕捉到图像中的大目标和小目标的特征。这使得模型在复杂场景中对小目标的检测更为敏感和准确。通过引入cbam注意力机制，模型能够自动聚焦于图像中的关键区域，如烟雾可能出现的区域。这种机制增强了模型对小目标和复杂背景下目标的识别能力。空本文档来自技高网...
【技术保护点】
1.一种烟雾检测系统，其特征在于：包括：
2.根据权利要求1所述的一种烟雾检测系统，其特征在于：所述数据预处理模块用于执行图像归一化步骤，将输入图像的像素值归一化到[0，1]范围；然后执行数据增强步骤，通过旋转、缩放、翻转等操作生成多样化的训练样本；最后执行图像裁剪和缩放步骤，将输入图像裁剪和缩放到固定尺寸，得到预处理图像信息。
3.根据权利要求2所述的一种烟雾检测系统，其特征在于：所述特征提取模块采用YOLOv8模型的多层卷积神经网络。
4.根据权利要求3所述的一种烟雾检测系统，其特征在于：所述空间注意力子模块包括：
5.根据权利要求4所述的一种烟雾检测系统，其特征在于：所述激活函数为sigmoid激活函数，用于将全连接层的输出转换为空间权重矩阵，其中每个元素的值介于0和1之间，表示对应空间位置的重要性。
6.根据权利要求5所述的一种烟雾检测系统，其特征在于：所述通道注意力子模块包括：
7.根据权利要求1所述的一种烟雾检测系统，其特征在于：所述结果后续处理模块还用于分析预处理图像信息中是否存在人体的运动轨迹
8.一种烟雾检测方法，包括：
9.根据权利要求8所述的一种烟雾检测方法，其特征在于：所述S1数据预处理为，执行图像归一化步骤，将输入图像的像素值归一化到[0，1]范围；然后执行数据增强步骤，通过旋转、缩放、翻转等操作生成多样化的训练样本；最后执行图像裁剪和缩放步骤，将输入图像裁剪和缩放到固定尺寸，得到预处理图像信息。
10.根据权利要求9所述的一种烟雾检测方法，其特征在于：所述S2中采用的是YOLOv8模型的多层卷积神经网络。
...【技术特征摘要】
1.一种烟雾检测系统，其特征在于：包括：
2.根据权利要求1所述的一种烟雾检测系统，其特征在于：所述数据预处理模块用于执行图像归一化步骤，将输入图像的像素值归一化到[0，1]范围；然后执行数据增强步骤，通过旋转、缩放、翻转等操作生成多样化的训练样本；最后执行图像裁剪和缩放步骤，将输入图像裁剪和缩放到固定尺寸，得到预处理图像信息。
3.根据权利要求2所述的一种烟雾检测系统，其特征在于：所述特征提取模块采用yolov8模型的多层卷积神经网络。
4.根据权利要求3所述的一种烟雾检测系统，其特征在于：所述空间注意力子模块包括：
5.根据权利要求4所述的一种烟雾检测系统，其特征在于：所述激活函数为sigmoid激活函数，用于将全连接层的输出转换为空间权重矩阵，其中每个元素的值介于0和1之间，表示对应空间位置的重要性。
6.根据权利要求5所述的一种烟雾检测系统，其特征在于：所述通道注意力子模块包括：
7.根据权利要求1所...
【专利技术属性】
技术研发人员：石磊，李家驹，曹永辉，武瑛，张莉，樊铎，
申请(专利权)人：立昂技术股份有限公司，
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。