System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于增强YOLO算法的烟雾和火灾检测方法技术_技高网

一种基于增强YOLO算法的烟雾和火灾检测方法技术

技术编号:44642817 阅读:7 留言:0更新日期:2025-03-17 18:34
本发明专利技术提供一种基于增强YOLO算法的烟雾和火灾检测方法,包括将获取的待标注数据上传到数据标注平台进行标注,以构建训练数据集,其中待标注数据为待标注的烟雾火灾图像数据;将训练数据集输入到基于增强YOLOv5的烟雾火灾检测模型中进行训练,其中烟雾火灾检测模型包括输入模块、骨干网络、颈部网络和预测模块;通过焦点损失函数加速烟雾火灾检测模型训练时的收敛,以得到训练好的烟雾火灾检测模型;将待预测数据上传到模型预测平台,应用训练好的烟雾火灾检测模型进行预测,输出最终预测结果。本发明专利技术提高了火灾和烟雾检测的准确性和稳定性,为火灾监测系统的性能提升提供了关键支持。

【技术实现步骤摘要】

本专利技术涉及图像处理,具体为一种基于增强yolo算法的烟雾和火灾检测方法。


技术介绍

1、火灾作为一种极具破坏性的自然灾害,常常在短时间内引发严重的破坏和损失,尤其对森林与城市建筑等具有极强的危害性。及时发现和有效控制火灾至关重要,因为火灾的蔓延速度极快,可能在极短的时间内迅速蔓延至广泛区域,对人们的生命安全和财产造成巨大威胁。火灾的快速扩散不仅会造成物质财产的损失,还可能危及人们的生命安全,导致不可估量的伤害和悲剧。因此,建立高效的火灾监测和预警系统,以及采取有效的火灾控制措施,对于最大限度地减少火灾带来的破坏和伤害,保障人们的生命财产安全至关重要。

2、在火灾监测系统中,烟雾往往扮演着早期预警的重要角色。烟雾作为火灾的先行指示信号,通常比火焰更早出现且更难被遮挡。其在火灾发生初期的迅速出现,提供了系统及时发现潜在危险的关键线索。引入动态烟雾识别功能能够在火灾迹象刚刚显现时便迅速作出反应,进而提升火灾预警系统的敏捷性和准确性。通过及早识别烟雾,系统能够更有效地监测和响应火灾风险,为保障人员生命安全和减小火灾造成的损失提供了重要保障。

3、传统的火灾探测方法主要依赖于收集和分析温度和烟雾传感器的数据来进行火灾探测。然而,这种预警方法存在着实时性能较差、投资成本高、容易受外部环境干扰等缺点。随着科技的不断进步,基于视频图像处理技术的解决方案应运而生,通过利用烟火的颜色、形状、纹理、运动等物理特性进行火灾检测,具有响应及时、应用范围广泛的优势。然而,这种方案也存在着检测速度慢、错误检测率高、泛化性能弱等缺点,无法完全满足实际需求。

4、综上,现有的火灾探测方法存在以下缺点:

5、(1)基于收集和分析数据的火灾探测方法存在实时性能差、投资成本高、容易受到外部环境的干扰等缺点。

6、(2)基于视频图像处理技术的方案,存在检测速度慢、错误检测率高、泛化性能弱等缺点,无法满足实际要求。

7、(3)基于深度学习的火灾检测方案使用的数据量或者多样性较少,使得训练得到的模型容易出现过拟合或者泛化性和鲁棒性较差。


技术实现思路

1、有鉴于此,本专利技术提供一种基于增强yolo算法的烟雾和火灾检测方法,以至少解决上述问题。

2、本专利技术提供的一种基于增强yolo算法的烟雾和火灾检测方法,包括:将获取的待标注数据上传到数据标注平台进行标注,以构建训练数据集,其中待标注数据为待标注的烟雾火灾图像数据;将训练数据集输入到基于增强yolov5的烟雾火灾检测模型中进行训练,其中烟雾火灾检测模型包括输入模块、骨干网络、颈部网络和预测模块;通过焦点损失函数加速烟雾火灾检测模型训练时的收敛,以得到训练好的烟雾火灾检测模型;将待预测数据上传到模型预测平台,应用训练好的烟雾火灾检测模型进行预测,输出最终预测结果。

3、在一种实现方式中,所述基于增强yolov5的烟雾火灾检测模型的训练过程包括:输入模块通过数据增强策略和标签平滑策略对输入的训练数据集进行预处理,得到处理后的数据集;骨干网络采用csp1_x结构和卷积块注意模块对处理后的数据集进行特征提取,得到具有不同特征尺度的骨干特征;颈部网络采用csp2_x结构对具有不同特征尺度的骨干特征进行特征融合,得到不同特征尺度的融合特征;预测模块通过加权非极大值抑制操作对不同特征尺度的融合特征进行筛选和优化,输出预测结果。

4、在另一种实现方式中,所述数据增强策略包括自适应图像缩放、自适应锚盒计算和马赛克,所述数据增强策略用于增加训练数据集的样本数量,进而增加烟雾火灾检测模型对不同尺寸物体的识别能力。

5、在另一种实现方式中,所述标签平滑策略指在训练数据集中引入随机错误标签,所述标签平滑策略用于减轻烟雾火灾检测模型对训练数据的过拟合问题。

6、在另一种实现方式中,所述卷积块注意模块添加在骨干网络的分类器之前,所述卷积块注意模块包括信道注意模块和空间注意模块,信道注意模块和空间注意模块用于在特征提取阶段对处理后的数据集的输入特征进行压缩和重新加权。

7、在另一种实现方式中,所述焦点损失函数表示为以下公式:

8、

9、其中,y为准确的样本,y'为预测的类概率,α可以改变正负样本的比例,设置α=0.25,γ用于减少简单样本的损失值,设置γ=2。

10、综上,与现有技术相比,本专利技术的有益效果为:

11、(1)本专利技术与传统方案对比,实时性能更好,且鲁棒性更强,能较好地抵抗外部环境的干扰。

12、(2)本专利技术与基于视频的方案对比,提升了火灾和烟雾的检测速度。

13、(3)本专利技术使用的数据量更加丰富和庞大,能够更好地解决模型的过拟合问题。

本文档来自技高网...

【技术保护点】

1.一种基于增强YOLO算法的烟雾和火灾检测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述基于增强YOLOv5的烟雾火灾检测模型的训练过程包括:

3.根据权利要求2所述的方法,其特征在于,所述数据增强策略包括自适应图像缩放、自适应锚盒计算和马赛克,所述数据增强策略用于增加训练数据集的样本数量,进而增加烟雾火灾检测模型对不同尺寸物体的识别能力。

4.根据权利要求3所述的方法,其特征在于,所述标签平滑策略指在训练数据集中引入随机错误标签,所述标签平滑策略用于减轻烟雾火灾检测模型对训练数据的过拟合问题。

5.根据权利要求2所述的方法,其特征在于,所述卷积块注意模块添加在骨干网络的分类器之前,所述卷积块注意模块包括信道注意模块和空间注意模块,信道注意模块和空间注意模块用于在特征提取阶段对处理后的数据集的输入特征进行压缩和重新加权。

6.根据权利要求1所述的方法,其特征在于,所述焦点损失函数表示为以下公式:

【技术特征摘要】

1.一种基于增强yolo算法的烟雾和火灾检测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述基于增强yolov5的烟雾火灾检测模型的训练过程包括:

3.根据权利要求2所述的方法,其特征在于,所述数据增强策略包括自适应图像缩放、自适应锚盒计算和马赛克,所述数据增强策略用于增加训练数据集的样本数量,进而增加烟雾火灾检测模型对不同尺寸物体的识别能力。

4.根据权利要求3所述的方法,其特征在于...

【专利技术属性】
技术研发人员:徐升陈杰灵王大帅梁睿徐天添吴新宇
申请(专利权)人:深圳先进技术研究院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1