一种基于YOLOv5改进算法的火灾预警方法及系统

本发明涉及目标检测，特别是涉及一种基于yolov5改进算法的火灾预警方法及系统。

背景技术：

1、火灾作为全世界公认的灾害之一，严重危害人类的生命和财产安全。对于智慧城市的安防建设，早期有效的火灾检测和预警是至关重要的。基于物理信号的传感器，如烟雾传感器、热释放红外火焰传感器、紫外火焰传感器等，广泛用于火灾报警系统。由于这些传统的物理传感器局限于近火源位置，无法在半封闭性大空间建筑和开放地下空间中有效工作，且无法提供火灾位置、火情大小和燃烧程度等灾情详细信息，而基于视觉传感器的火灾检测技术可满足这些需求。

2、在视觉火灾检测研究的早期阶段，主要依据应用场景人工地提取火焰的颜色、纹理、形状、边缘和运动等静态和动态特征来对火灾场景进行描述，再结合机器学习方法设计合适的分类器来作进一步的分类识别。传统方法通过设计人工特征提取器以提高火灾识别的准确性，在一定程度上促进了视觉火灾检测技术的发展。然而，由于视频中火灾场景的高度复杂性，人工设计的特征是高度冗余且依赖于固定的场景，可提取到的信息仅是火焰的浅层特征，属于启发式的方法，鲁棒性较差，很难适应于复杂场景下的火灾检测。因此，近年来逐渐转向运用深度学习的方法来进行视觉火灾检测研究。目前双阶段目标检测算法的模型设计使用大型深度网络，难以满足高精度和高实时性的检测需求，单阶段目标检测算法降低精度为代价换取检测的实时性，二者都存在对于火灾小目标检测精度低和定位不准等问题，无法准确实时地进行火灾检测及早期预警。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于yolov5改进算法的火灾预警方法及系统，能够准确实时地进行火灾检测及早期预警。

2、本发明解决其技术问题所采用的技术方案是：提供一种基于yolov5改进算法的火灾预警方法，包括以下步骤：

3、s1.获取流媒体数据；

4、s2.对所述流媒体数据进行预处理得到待测图像序列；

5、s3.利用火灾检测模型对所述待测图像序列进行检测，获得检测结果；所述火灾检测模型基于yolov5改进算法构建，包括：

6、在骨干网络的深层置入注意力模块cab进行特征提取；

7、构建特征融合模块进行多尺度特征融合，并生成四个不同感受野的检测头；

8、s4.基于所述火灾检测模型的检测结果判断火灾是否发生。

9、进一步的，所述在骨干网络的深层置入注意力模块cab进行特征提取，包括：

10、将放入所述火灾检测模型的待测图像通过第一cbs模块和第二cbs模块进行两次特征提取后输入第一csp1模块，输出第一特征图；

11、将所述第一特征图通过第三cbs模块进行特征提取后输入第二csp1模块，输出第二特征图；

12、将所述第二特征图通过第四cbs模块进行特征提取后输入第三csp1模块，输出第三特征图；

13、将所述第三特征图通过第五cbs模块进行特征提取后输入注意力模块cab来增加目标特征的权重，再经过空间金字塔池化后输入第六cbs模块，输出第四特征图作为所述特征融合模块的输入。

14、进一步的，所述空间金字塔池化是通过双向金字塔网络来进行的。

15、进一步的，所述构建特征融合模块进行多尺度特征融合，并生成四个不同感受野的检测头，包括：

16、将所述第四特征图经过上采样后与所述第三特征图进行拼接操作，再经过第一csp2模块和第七cbs模块得到第一融合特征图；

17、将所述第一融合特征图经过上采样后与所述第二特征图进行拼接操作，再经过第二csp2模块和第八cbs模块得到第二融合特征图；

18、将所述第二融合特征图经过上采样后与所述第一特征图进行拼接操作，再经过第三csp2模块得到第三融合特征图，对所述第三融合特征图进行卷积操作得到第一检测特征图；

19、将所述第三融合特征图经过第九cbs模块后与所述第二融合特征图进行拼接操作，再经过第四csp2模块得到第四融合特征图，对所述第四融合特征图进行卷积操作得到第二检测特征图；

20、将所述第四融合特征图经过第十cbs模块后与所述第一融合特征图、经过下采样操作后的所述第三特征图进行拼接操作，再经过第五csp2模块得到第五融合特征图，对所述第五融合特征图进行卷积操作得到第三检测特征图；

21、将所述第五融合特征图经过第十一cbs模块后与所述第四特征图、经过下采样操作后的所述第二特征图进行拼接操作，再经过第六csp2模块得到第六融合特征图，对所述第六融合特征图进行卷积操作得到第四检测特征图。

22、进一步的，所述第一检测特征图的大小为所述待测图像的1/4，所述第二检测特征图的大小为所述待测图像的1/8，所述第三检测特征图的大小为所述待测图像的1/16，所述第四检测特征图的大小为所述待测图像的1/32。

23、进一步的，所述注意力模块cab基于坐标注意力机制构建，采用mish函数作为批归一化层的激活函数。

24、进一步的，所述对所述流媒体数据进行预处理得到待测图像序列，包括：

25、将所述流媒体数据按间隔帧保存为图像序列；

26、对所述图像序列进行归一化处理得到所述待测图像序列。

27、进一步的，所述基于所述火灾检测模型的检测结果判断火灾是否发生，包括：

28、基于所述检测结果分析得到火灾类别、发生概率；

29、将所述发生概率与阈值进行分析对比获得预测投票值；

30、利用所述预测投票值判断火灾是否发生。

31、进一步的，所述火灾检测模型在进行训练时，获取训练数据并进行预处理的步骤包括：

32、获取包含火焰和烟雾两类目标的多场景火灾图像集；

33、将所述火灾图像集中的图像进行归一化处理为预设尺寸，背景做灰色填充，得到标准图像集；

34、对所述标准图像集中的图像进行仿射变换、透射变换以及组合变换得到强化图像集；

35、选取一定数量所述强化图像集中的图像作为训练图像集。

36、本发明解决其技术问题所采用的技术方案是：还提供一种基于yolov5改进算法的火灾预警系统，其特征在于，包括：

37、数据采集单元，用来获取流媒体数据；

38、数据输入单元，用来对所述流媒体数据进行预处理得到待测图像序列，并将所述待测图像序列中的待测图像依次放入火灾检测单元进行检测；

39、火灾检测单元，用来对所述待测图像进行检测并获得检测结果，所述火灾检测单元基于yolov5改进算法构建，包括用来进行特征提取的骨干网络，用来进行多尺度特征融合的特征融合模块，以及四个具有不同感受野的检测头，所述骨干网络的深层置入注意力模块cab；

40、结果输出单元，用来基于所述检测结果判断火灾是否发生。

41、有益效果

42、由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

43、(1)本发明基于yolov5改进算法构建火灾检测模型，该模型在主干网络引入注意力机制，增强目标位置的权重表示，进一步提高了检测的平均精度；

44、(2)本发明基于双向特征金字塔网络原理，将部分路径聚合网络转化为双向跨尺度连接，通过简单的拼接操作，就可实现各尺度特征更好融合；

45、(3)本发明在yolov5原有结构的基础上，增加了小目标检测头用来聚焦检测视觉任务中的小目标，并通过视频帧投票机制来实现早期火灾的实时预警；

46、(4)本发明的检测模型基于可变深度和宽度的动态神经网络构建，能够调整网络模型的大小以部署到不同的硬件设备；

47、(5)本发明构建了多场景的火焰和烟雾图像数据集，并使用多种数据增强方法对该图像数据集进行预处理，解决了训练图像大中小火焰和烟雾目标不均衡的问题。