[发明专利]采用改进YOLO v3的火灾检测方法

说明书

本发明涉及一种采用改进YOLO v3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YOLO v3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。

技术领域

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YOLO v3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

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。

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。

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，最后对图像中的目标做分类和识别。一方面，人工选取特征过于依赖专家的先验知识，与此同时很难寻找到一种或多种足以描述火焰本质的特征，特征选取的合适与否将直接影响到模型的分类效果，并且特征的计算方法大多都采取设定启发式阈值的方法，因此模型的泛化能力有限，鲁棒性不佳；另一方面，浅层机器学习模型学习的特征较为表面，模型的表达能力不足，此外，更丰富的数据集也无法带来其分类性能的显著提升。

当前，深层次的卷积神经网络可以在海量的训练数据中自动提取和学习图像中更本质的特征，将深度卷积神经网络应用于图像型火灾检测技术，将显著增强分类效果，并进一步提升预测准确性。其中，YOLO v3作为深度卷积神经网络中兼具检测精度与检测实时性的一种端到端的目标检测框架，完全适合将其运用到实际的火灾检测当中。

发明内容

为了克服早期图像型火灾检测技术的缺陷和不足，一种基于改进YOLO v3的火灾检测方法，其实现步骤如下：

一种采用改进YOLO v3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YOLO v3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YOLO v3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YOLO v3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；