[发明专利]基于改进的YOLOv5模型的火焰检测方法

权利要求书

1.一种基于改进的YOLOv5模型的火焰检测方法，其特征在于，包括：

建立火焰数据集，所述火焰数据集包括多张火焰图像；

以YOLOv5模型为基础模型，所述YOLOv5模型包括顺次设置的输入端、基准网络模块、特征融合模块和检测模块，在所述基准网络模块中嵌入注意力机制单元、在所述检测模块增加新增检测层、在所述检测模块引入边界损失函数得到第一YOLOv5模型，所述边界损失函数按照以下方法进行计算：

其中，为所述火焰图像的预测边框与结果边框的差异；I_OU为交互比，α为调节参数；

采用图像数据集对所述第一YOLOv5模型进行预训练，得到第二YOLOv5模型；

将所述火焰数据集划分为训练集、验证集和测试集，所述测试集中的所述火焰图像为测试图像，将所述训练集和所述验证集输入所述第二YOLOv5模型进行优化，得到第三YOLOv5模型；

将所述测试集的所述测试图像输入所述第三YOLOv5模型，得到火焰检测结果。

2.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述建立火焰数据集，包括：

采集多张所述火焰图像，多张所述火焰图像均不相同，对多张所述火焰图像进行筛选，删除火焰面积超过所述火焰图像面积80％的所述火焰图像得到第一数据集；

对所述第一数据集中的所述火焰图像进行数据增强，所述数据增强的方式，包括：对所述第一数据集中的所述火焰图像分别进行旋转、镜像、缩放、拼接和亮度平衡得到多张扩充的所述火焰图像，将多张扩充的所述火焰图像与所述第一数据集合并形成所述火焰数据集。

3.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，在所述建立火焰数据集之后还包括对所述火焰数据集中的所述火焰图像进行标注；

采用边框将所述火焰图像的火焰部分圈出，记录所述边框的信息并将所述边框的信息转换为第一格式进行保存。

4.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述基准网络模块包括第一单元、第二单元、第三单元和第四单元；所述第一单元为切片结构；所述第二单元由卷积层、批量归一化和第一激活函数组成；所述第三单元由所述卷积层和瓶颈层组成；所述第四单元由所述卷积层与池化层组成；

所述基准网络模块提取所述测试图像的特征信息得到第一特征图。

5.根据权利要求4所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述在所述基准网络模块中嵌入注意力机制单元，包括：

所述注意力机制单元通过沿第一方向和第二方向分别对所述第一特征图进行平均池化得到第一向量和第二向量，对所述第一向量和所述第二向量进行通道融合后利用卷积块进行通道压缩、编码所述第一特征图沿所述第一方向和所述第二方向的空间信息后分离通道、通过所述卷积块得到与所述第一特征图通道数相同的第二特征图，通过第二激活函数进行归一化加权。

6.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述在所述检测模块增加新增检测层，包括：

所述新增检测层的尺寸为160×160，用于检测感受野尺寸大于4×4的目标；

所述特征融合模块包括24层特征提取层，增加2层所述特征融合模块中的所述特征提取层匹配所述检测层，所述第二特征图经过所述特征融合模块的第二层所述特征提取层处理得到第三特征图，所述第二特征图经过所述特征融合模块的第二十六层所述特征提取层处理得到第四特征图，所述第三特征图与所述第四特征图融合得到第五特征图；

所述新增检测层对所述第五特征图进行检测。

7.根据权利要求1所述的基于改进的YOLOv5模型的火焰检测方法，其特征在于，所述第三YOLOv5模型采用随机梯度下降优化器。