【技术实现步骤摘要】
本专利技术属于智能医疗领域，涉及了一种基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法。
技术介绍
1、目前，火灾检测技术作为安全防范领域的重要研究方向，已得到了广泛关注。传统的火灾检测技术通常基于传感器数据或图像处理，通过识别温度、烟雾、火焰等火灾相关特征进行预警；然而，传感器技术往往受到环境的限制，如烟雾传感器对风速、湿度敏感，无法及时、准确地检测到火灾；而基于图像的传统方法，如背景差分、边缘检测等，因对复杂场景下光照变化、烟雾与其他干扰物(如灰尘、雾气)的区分能力较弱，存在一定的误报和漏报问题。
2、目前，深度学习技术尤其是卷积神经网络(convolutional neural networks,cnns)的快速发展，为火灾检测提供了新的解决方案；yolo(you only look once)系列模型是其中的代表，其能够通过端到端的目标检测框架实时处理图像，并具有较高的检测精度；yolo模型已经广泛应用于目标检测任务中，如交通监控、安防监控等场景，并在火灾检测任务中取得了显著成果；
3、然而，现有的yolo模型在火灾检测中特征提取和模型轻量化方面仍存在一定的局限性；首先，yolo模型在火灾检测任务中，对于复杂环境下的烟雾、火焰特征的捕捉和区分能力有限，火灾烟雾与常规雾气、阴影或灰尘等干扰因素容易混淆，导致检测精度下降；此外，现有yolo模型由于网络结构较为复杂，参数量大，计算开销高，难以在资源受限的设备(如无人机、嵌入式系统)上实时运行。
4、近年来绝大多数研究均集中在实现较高的
技术实现思路
1、针对上述问题，本专利技术目的是提出了一种基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，轻量化卷积网络通过减少参数量和计算复杂度，提升了网络的运行效率，使其更适合于实时火灾检测任务；而交叉通道特征融合(cross-channel featurefusion,ccfm)通过融合来自不同通道的特征，增强了模型对火灾烟雾特征的表征能力，提高检测的准确性；本专利技术在一定程度上提升了检测性能，在保证检测精度的前提下，进一步提高模型的轻量化程度和特征提取的鲁棒性，这一改进为火灾预警系统提供了新的技术路径。
2、本专利技术的技术方案是：本专利技术所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，使用摄像头捕获视频信号，并将其分割成单独的图像，并进行图像预处理；利用经过训练的火灾检测模型，对这些图像进行检测，并显示检测结果；其具体包括以下步骤：
3、步骤一：对相关监测场景进行烟雾信号和图像数据的采集，使用摄像头接收视频流信号，并对录制的视频进行逐帧截取；
4、利用标注工具cvat对数据集中的图像进行标签标注，自动生成相应的txt格式标注文件；
5、步骤二：采用随机缩放、图像翻转和mosaic数据图像增强技术扩充训练集和验证集样本；
6、将标注后的图像样本按比例划分为训练集、验证集和测试集，存放数据文件夹为datasets，包括两个子文件夹，分别为images，labels，其中images保存训练图像，labels保存与训练图像对应的xml文件，训练集图像路径保存在train.txt,测试集图像路径保存在test.txt,其中存放的是训练图像和标签的相对路径；
7、其中，训练集包含8420张图片，验证集和测试集各包含1915张图片；
8、步骤三：搭建改进的yolov11模型；
9、构建yolov11网络模型，yolov11网络包括特征提取网络、特征融合网络、检测头；其改进点如下：
10、(1)：在原始yolov11算法的特征提取网络中设计一个新的卷积模块dpgconv，从而更好的提取火灾烟雾特征，并降低模型参数量；
11、dpgconv卷积模块由两个深度卷积(depthwise convolution)和逐点卷积(pointwise convolution)、一个groupnorm以及silu激活函数组成；
12、dpgconv卷积使用两个深度卷积和逐点卷积可以减少参数量和计算量，同时保持模型的表达能力；
13、并将两个卷积的输出拼接，使用groupnorm进行归一化，最后经过silu激活函数输出特征图；
14、在深度卷积中，每个输入通道都与一个单独的滤波器(kernel)进行卷积操作；每个输入通道都会生成一个对应的输出通道；
15、逐点卷积是一个1×1的卷积操作，其在每个位置上对输入的所有通道进行卷积；
16、逐点卷积可以看作是在输入数据的通道维度上进行的卷积操作，而不涉及空间信息；用于将深度卷积生成的各个通道的特征图进行线性组合，通过降低输入通道的维度进一步减少了计算量和参数数量，同时提高了模型的效率和速度；
17、在保持相对较高的性能的同时，显著减少模型的大小和计算需求，使用groupnorm进行归一化；
18、相比batchnorm，groupnorm将输入分成多个组，并在每个组内进行标准化；这种归一化方法在批量大小发生变化时能保持性能，并且对于通道数较少的情况更有效；
19、(2)：在(1)基础上进一步改进模型，设计一个新的深度残差空间自注意力模块drsa(deep residual spatial attention)模块，drsa模块结合了深度卷积和空间注意力机制，通过组合横向和纵向自注意机制对输入特征图进行空间变换，将该模块集成到改进的csp结构c3k2中，c3k2本身就是通过csp结构对多尺度特征进行整合的，结合drsa后，可以更加有效地融合不同尺度的特征，使模型在检测小型烟雾或远距离烟雾时也能保持高性能；
20、drsa模块采用了深度可分离卷积，dscnpair中的dscn结构，通过将标准卷积分解为逐通道卷积和1×1卷积，有效减少了参数数量；
21、这种结构不仅降低了计算复杂度，也有助于减小模型的存储空间；
22、(3)：在特征提取网络中的c2psa模块中设计了一个新的注意力机制lwsm(lightweight simam)代替原始的自注意力attention模块，形成新模块c2ps_lwsm；
23、c2psa模块中psablock引入lwsm注意力机制，lwsm是一种轻量化的空间注意力模块，对simam进行改进使其更加轻量化，将simam中的sigmoid替换为relu，因为relu的计算更简单且通常在深度学习中表现更好；同时去掉一些不必要的中间变量，只保留必要的计算；
24、这样使得模型在推理时速度更快，同时内存和计算资源的占用更少；lwsm专门用于捕捉空间维度上的烟雾分布的不均匀性；由于烟雾通常是弥散状的，lwsm能够帮助模型更精准地关注到这些散布在不同区域的本文档来自技高网...
【技术保护点】
1.基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，使用摄像头捕获视频信号，并将其分割成单独的图像，并进行图像预处理；利用经过训练的火灾检测模型，对这些图像进行检测，并显示检测结果。
2.根据权利要求1所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，其操作步骤如下：
3.根据权利要求2所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
4.根据权利要求2所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
5.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
6.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
7.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
8.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
9.根据权利要求4所
10.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，在步骤(4)中，模型训练过程中采用的数据集采集时，需收集更多的火灾烟雾图像，不同环境、不同时间段、不同浓度、不同火势下的烟雾图像；并采用不同的数据集对模型进行训练并评估模型的性能。
...【技术特征摘要】
1.基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，使用摄像头捕获视频信号，并将其分割成单独的图像，并进行图像预处理；利用经过训练的火灾检测模型，对这些图像进行检测，并显示检测结果。
2.根据权利要求1所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，其操作步骤如下：
3.根据权利要求2所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
4.根据权利要求2所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
5.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
6.根据权利要求4所述的基于轻量化卷积与交叉通道特征融合的高效火灾烟雾检测方法，其特征在于，
<...【专利技术属性】
技术研发人员：孔宁，姜明新，张宇恒，周清清，冯国露，
申请(专利权)人：淮阴工学院，
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。