采用改进YOLO v3的火灾检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110852347A(43)申请公布日2020.02.28(21)申请号201910987400.9(22)申请日2019.10.17(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人张为魏晶晶(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人程毓英(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图3页(54)发明名称采用改进YOLOv3的火灾检测方法(57)摘要本发明涉及一种采用改进YOLOv3的火灾检测方法，包括步骤如下：构建带有标注和标签的火灾数据集；训练修改后的深度卷积神经网络：对YOLOv3的原特征提取神经网络Darknet-53进行修改，基于公开数据集预训练修改后的神经网络，保留生成的预训练模型权重，在火灾数据集上加载预训练模型权重对修改后的神经网络进行二次训练，微调神经网络训练参数直至神经网络收敛。CN110852347ACN110852347A权利要求书1/1页1.一种采用改进YOLOv3的火灾检测方法，包括步骤如下：第一步，构建带有标注和标签的火灾数据集：收集并整理多段火灾视频，从中手动截取多种场景、多种尺度、多种燃烧状态的火灾图片，使用图片标注工具对图片进行数据标注，构建符合神经网络训练需求的火灾数据集，并使用K均值聚类算法生成新的尺寸大小和数量的锚框；第二步，训练修改后的深度卷积神经网络：对YOLOv3的原特征提取神经网络Darknet-53进行修改，基于公开数据集预训练修改后的神经网络，保留生成的预训练模型权重，在火灾数据集上加载预训练模型权重对修改后的神经网络进行二次训练，微调神经网络训练参数直至神经网络收敛，方法如下：(1)预训练修改后的神经网络：对YOLOv3的原特征提取神经网络Darknet-53进行修改，在其中加入膨胀卷积和DenseNet模块；保留Darknet特征提取神经网络的前9层卷积层及其残差连接，并在其后加入两个膨胀系数分别为2和4的膨胀卷积模块，并将膨胀系数为2的输出经批归一化、Relu激活以及卷积的组合操作后与膨胀系数为4的膨胀卷积模块输出进行跃层连接；在随后的神经网络结构中两次加入DenseNet单元，每次加入9个，对于YOLOv3损失函数，结合检测任务需求加以改进，分别计算置信度误差和坐标误差的损失值；基于公开数据集对修改后的神经网络进行预训练，保留生成的预训练模型权重；(2)训练修改后的神经网络：在火灾数据集上，加载步骤(1)中预训练的模型权重进行初始化，再次对模型加以训练；微调神经网络训练参数直至神经网络收敛，保留二次训练过程中生成的模型权重；第三步，利用训练好的YOLOv3检测模型在测试集上验证模型效果，并结合检测效果进一步微调模型的训练参数继续训练以达到模型的最优性能，保留最终的模型权重；最后，输入火灾视频，利用已训练好的模型对视频进行检测，得到火灾图片的检测结果、置信度概率以及每秒检测帧数。2.根据权利要求1所述的方法，其特征在于，改进YOLOv3损失函数，修改后的损失函数和改进后的坐标误差分别如下式所示：L＝Ecoord+Eiou2其中，损失函数L由坐标误差Ecoord、置信度误差Eiou组成；λcoord表示坐标误差的权重，S表示输入图像划分的网格单元数，B表示每个网格单元生成的BoundingBox数；表示有无目标落在BoundingBox中，当火焰目标落到第i个网格生成的第j个BoundingBox中时，否则分别表示为预测框中心点的横纵坐标以及框的宽度和高度，而(xi,yi,wi,hi)则表示对应的真实框的值。2CN110852347A说明书1/4页采用改进YOLOv3的火灾检测方法技术领域[0001]本发明属于计算机视觉与人工智能技术领域，具体来说是一种采用改进YOLOv3深度卷积神经网络的检测视频图像中是否存在火灾的方法，本质上是目标识别与定位问题。背景技术[0002]随着计算机软硬件性能的不断提升以及大数据平台的不断完善，人工智能技术蓬勃发展，并深刻影响着当下的时代。深度卷积神经网络作为人工智能技术领域最具发展前景的研究热点之一，目前面临的最大痛点和难点即如何将研究成果落地应用，发挥其真正的实用价值。[0003]火灾在人们日常生活中频繁发生且危害巨大，近些年来基于视频监控平台的图像型火灾检测技术开始备受研究者的关注并不断发展。相较于基于温度、烟雾等火灾参数传感器的传统火灾检测技术，其检测速度快、检测范围广、报警信息丰富、受环境因素影响小，因此具有重要的研究意义。[0004]然而，早期图像型火灾检测技术多是基于人工选取特征，再结合浅层机器学习分类器模型加以训练，最后对