技术特征：
1.一种基于yolov4-lite网络的视频图像火焰检测方法，其特征在于，包括步骤：s1：基于yolov4-lite网络构建火焰检测模型；将所述yolov4-lite网络的主干特征提取网络cspdarknet53替换为ghostnet网络，将所述yolov4-lite网络的加强特征提取网络panet的1x1和3x3的标准卷积替换为深度可分离卷积；同时在加强特征提取网络中加入了信道注意模块，所述信道注意模块由非线性自适应确定的一维卷积组成；s2：采集视频图像帧；s3：对步骤s2采集的视频图像帧进行预处理，得到数据集；s4：采用所述数据集对所述火焰检测模型进行训练、测试和验证，最终利用训练好的火焰检测模型实现视频图像火焰检测。2.根据权利要求1所述的基于yolov4-lite网络的视频图像火焰检测方法，其特征在于：步骤s2中采集视频图像帧包括利用爬虫技术从网络页面上爬取部分带有火焰图像的图片数据，经过数据清洗选择合适的图片进行标注，从而作为样本数据。3.根据权利要求1所述的基于yolov4-lite网络的视频图像火焰检测方法，其特征在于：所述的预处理包括：采用9个不同尺寸的先验框对样本数据的图像进行标注，并利用k-means++聚类算法对预先标注的先验框的尺寸进行修正。4.根据权利要求3所述的基于yolov4-lite网络的视频图像火焰检测方法，其特征在于：所述k-means++聚类算法具体步骤包括：s31：输入数据集，随机从样本框区域选取一个初始聚类中心x
j
；s32：计算每个样本框x
i
与初始聚类中心之间的最短距离d(x
i
)；s33：按照轮盘法选择一个新的点作为新的中心点，设定距离较大的点具有更大的选取概率；s34：重复s31-s33直到每个簇中元素不在发生变化，输出聚类结果，得到的9个聚类中心结果乘以图片输入尺寸，作为原始的宽高。5.根据权利要求1所述的基于yolov4-lite网络的视频图像火焰检测方法，其特征在于：所述信道注意模块根据通道维度c来确定卷积核大小k，具体为：其中，|t|
odd
表示距离t最近的奇数，α和b为修正系数。6.根据权利要求1所述的基于yolov4-lite网络的视频图像火焰检测方法，其特征在于：所述深度可分离卷积由深度卷积和1*1逐点卷积组成，其中：所述深度卷积中每个卷积核的通道为1。7.根据权利要求1所述的基于yolov4-lite网络的视频图像火焰检测方法，其特征在于：步骤s2中使用labelimg软件对数据标注为pascal voc2007数据格式，标注类别分为无火焰和有火焰两种类别。
技术总结
本发明涉及图像检测技术领域，具体公开了一种基于YoloV4-Lite网络的视频图像火焰检测方法，包括步骤：S1：基于YoloV4-Lite网络构建火焰检测模型；S2：采集视频图像帧；S3：对步骤S2采集的视频图像帧进行预处理，得到数据集；S4：采用所述数据集对所述火焰检测模型进行训练、测试和验证，最终利用训练好的火焰检测模型实现视频图像火焰检测。其效果是：在主干特征提取网络中使用GhostNet网络，保证减少网络参数的同时，准确率不会降低太多，在加强特征提取网络中使用深度可分离卷积替代1*1和3*3的传统卷积，进一步缩减网络的参数量，同时在加强特征提取网络部分加入信道注意模块，使神经网络可以更好的关注在被检测的物体上，达到网络性能和复杂度的平衡。网络性能和复杂度的平衡。网络性能和复杂度的平衡。
技术研发人员：刘成 彭橹屹 左清华 卢宏宇 金泓潭 李志军 余波 巫尚蔚 侯文赛 杜文曦
受保护的技术使用者：重庆科技学院
技术研发日：2022.07.07
技术公布日：2022/9/30