[发明专利]一种基于改进RetinaNet网络的火焰检测方法

权利要求书

1.一种基于改进RetinaNet网络的火焰检测方法，其特征在于，具体包括以下步骤：

S1：收集N张有火焰画面的图片作为训练数据集，并对训练数据集中火焰进行标注；

S2：使用SandGlass模块替换残差模块，从而得到改进的RetinaNet网络，记为SG-ResNet50；所述SandGlass模块包括依次连接的第一深度可分离卷积、第一卷积、第二卷积和第二深度可分离卷积；

S3：构建特征金字塔网络，且在特征金字塔网络输出的每一层特征后增加一个分割分支；

S4：对构建的改进的RetinaNet网络进行训练，得到训练完成的火焰检测模型；

S5：采用步骤S4中得到的火焰检测模型对获取的视频进行火焰检测。

2.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，所述S1中，N张有火焰画面的图片来自不同的场景，从而提高火焰检测的通用性。

3.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，所述S1中，还收集M张没有火焰画面的图片，以降低训练的误检率。

4.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，所述S2中，第一卷积用于将特征通道数减少一半，第二卷积用于将特征通道数增加一倍。

5.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，所述S2中，在第一深度可分离卷积和第二卷积后添加激活函数RELU6，而第一卷积和第二深度可分离卷积后不添加激活函数RELU6。

6.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，所述S3中，分割分支包括一个输出通道数为256的3*3卷积、一个输出通道数为1的3*3卷积和一个Sigmod层。

7.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，对构建的改进的RetinaNet网络进行训练的步骤包括：

S4-1:对训练数据集中每张图片的目标尺度进行调整，目标尺度的长边从[700,1080,1200,1333]中随机选择，短边从[416,600,640,800,1000]中随机选择，然后对图片进行数据增强；

S4-2:将数据增强后的图片从RGB颜色模型转换到HLS颜色模型中，根据指定规则得到火焰区域的掩膜，该规则计算公式如下：

公式(1)中，F_mask(x,y)表示数据增强后的整张图片的火焰区域掩膜，(x,y)表示图片中的像素点的坐标，f_h(x,y)，f_l(x,y)，f_s(x,y)分别表示该像素点在H(色度)、L(亮度)和S(饱和度)三个通道上的值；

S4-3:再将F_mask(x,y)分别下采样8、16、32、64和128倍，作为不同尺度特征的分割监督信号。

8.如权利要求1所述的一种基于改进RetinaNet网络的火焰检测方法，其特征在于，所述S5中，火焰检测的步骤包括：

S5-1：将获取的视频输入步骤S4得到的火焰检测模型，输出火焰预测框的类别分数、相对于Anchor的相对偏移量和边框置信度，再结合类别分数和边框置信度得到火焰预测框的输出置信度，输出置信度的计算公式如下：

p_r(out)＝p_r(class)*p_r(seg) (2)

公式(2)中，p_r(out)为火焰预测框的输出置信度；p_r(class)为类别分数；p_r(seg)为分割分支的输出，即边框置信度，表征该点附近的框存在物体的概率；

S5-2：基于预测框的输出置信度对预测框进行排序，然后做NMS分析，输出置信度大于0.5的为火焰预测框。