[发明专利]一种基于改进RetinaNet网络的火焰检测方法

说明书

本发明公开一种基于改进RetinaNet网络的火焰检测方法，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。本发明使用SandGlass模块代替现有RetinaNet网络的残差模块，提升了火焰检测的速度；利用火焰的颜色特性提供分割的监督信号，提升了火焰检测的精度。

技术领域

本发明涉及火焰检测技术领域，特别涉及一种基于改进RetinaNet网络的火焰检测方法。

背景技术

传统的火焰检测技术通常使用人工提取特征，如火焰纹理特征、边缘特征等，然而这些方法往往速度慢、精度低。

随着深度学习的发展，越来越多的人开始使用深度学习来进行火焰检测。相较于传统方法，基于深度学习的目标检测方法能提升火焰检测的速度和精度，且检测模型的泛化性能较好，能够适用于多种场景的火焰检测中。

目标较为流行的基于深度学习的火焰检测方法包括二阶段的Faster R-CNN和一阶段的YOLOv3、SSD等。Faster R-CNN虽然精度较高，但是检测速度很慢，无法应用到对速度要求较高的场景中，而YOLOv3和SSD等尽管速度较快，但检测精度较低。另一方面，不论是直接使用Faster R-CNN还是使用YOLOv3、SSD等方法进行火焰检测，其过程都与通用目标检测无异，都没有针对火焰做出特定的优化，使得针对火焰的检测精度不高、鲁棒性较差。

发明内容

针对现有技术中火焰检测精度低的问题，本发明提出一种基于改进RetinaNet网络的火焰检测方法，通过使用SandGlass模块代替现有RetinaNet网络的残差模块，以及利用火焰的颜色特性提供分割的监督信号，降低了网络的参数量和计算量，从而提升了火焰的检测速度和精度。

为了实现上述目的，本发明提供以下技术方案：

一种基于改进RetinaNet网络的火焰检测方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。