一种基于小目标数据增强和平衡损失函数的烟火检测方法

本发明涉及计算机视觉和安全监控领域，更具体的说，涉及一种基于小目标数据增强和平衡损失函数的烟火检测方法。

背景技术：

1、为减少火灾事故的发生，利用视频监控手段及时准确地自动检测烟火目标并进行报警尤为重要。然而，在火灾发生的初始阶段，烟火目标较小，小目标由于其本身尺寸较小，与背景的区分度不明显，使得传统的目标检测算法在检测小目标上遇到困难，另外，由于其低分辨率，使得小目标的特征信息丰富度低，进一步增加了检测难度。现有烟火检测算法对于烟火小目标存在较为严重的漏检问题。现有的解决方案主要采用数据增强和损失函数优化的策略。数据增强通常通过放大小目标，增加小目标在整个图像中的占比，使目标检测算法能更容易地检测，然而这种放大方式会引入大量的噪声，可能导致小目标的原始特征信息丢失，影响最后的检测效果。在损失函数优化方面，现有的方法无法在分类和定位小目标上达到良好的平衡，这是因为小目标的特征信息较少，分类和定位任务的难度相对较大，需要更加精细的优化策略。

技术实现思路

1、为了有效地解决烟火小目标检测难题，本发明给出了一种基于小目标数据增强(small object augmentation，soa)和平衡损失函数(balanced loss function，blf)的烟火检测方法。

2、本发明的技术方案的实现步骤包括：s1：在模型训练阶段，使用基于小目标数据增强方法soa，通过实施数据增强策略，以增加目标检测网络在各种条件下的烟火小目标检测能力；s2：在模型训练阶段，使用平衡损失函数blf，通过对烟火小目标和正常目标的损失权重进行调整，以提高对烟火小目标的检测精度；s3：在推理预测阶段，使用训练好的烟火检测模型对待检测图像进行推理，获得检测结果。

3、进一步，步骤s1具体包括：s11、实施数据增强策略soa，包括对包含烟火目标的图像进行等比例缩小，当图像中最小尺寸的目标尺寸小于小目标的通用定义尺寸时，不再对该图像进行处理；否则，根据相应的计算公式对图像进行等比例缩小，以增加烟火小目标在各种视角和尺度上的检测能力；s12、自建一个图像数据集，包括类烟火目标图像或普通背景图像，并从该图像数据集中随机抽取图像，将其进行指定尺度大小的放缩，如640×640；s13、对步骤s11和s12得到的烟火目标样本和图像样本进行融合处理，如果烟火目标样本的宽度和高度都小于图像样本的宽度和高度，则将烟火目标样本随机粘贴到图像样本上，生成新的样本，同时更新新样本的目标标签信息，确保其准确性；否则，直接保留烟火目标样本，不进行融合。其中，数据增强策略soa使用的相应计算公式为：n＝r(n1,n2)，min(sbox)是计算当前图像中所有烟火目标的像素面积，并选取最小的那个像素面积，s1、s2定义为烟火小目标的像素面积，r(n1,n2)表示从n1到n2之间取一个随机值，即得到一个随机缩放因子n，这使得soa算法可以进行随机大小的烟火小目标数据增强，提升小目标数据的多样性；设h,w分别为原图的高和宽，h′和w′分别为调整图像尺寸之后的高与宽(都为整数)，则即当值n1大于1时，通过计算得到放缩之后图像的尺寸，当n1小于或等于1时，表明当前图像中已经存在烟火小目标，则不再对当前图像进行处理。通过以上操作，可以将图像中的烟火目标调整为小目标，并保留了原图的宽高比例，同时也保留了烟火目标周围的背景信息。

4、进一步，本发明提出的blf平衡损失函数可以表示为其中，li为第i个边界框的损失，ioui为计算第i个框的iou，λ为平衡因子，sτ是烟火小目标的界定范围，sgt为真实边界框的面积，sgt,i则为第i个框所对应的真实边界框的面积，步骤s2具体包括：s21、计算每个边界框的损失，如果边界框的真实边界框面积小于预定的界定范围，判定为小目标，此时采用带平衡因子的iou来计算回归损失，否则使用标准iou来计算回归损失；s22、平衡因子的设定，根据实验结果对平衡因子进行设定，对烟火小目标和正常目标的损失权重进行调整，提高对烟火小目标的检测精度。

5、本发明的有益效果：

6、1、提升模型烟火目标检测能力：本发明所采用的soa数据增强策略，能够通过等比例缩小处理和样本融合，有效地提升模型对烟火目标在各种视角和尺度上的检测能力。

7、2、提升模型烟火目标检测精度：通过采用blf损失函数，该方法能在分类和定位烟火目标的任务上实现良好的平衡，从而显著提高烟火目标的检测精度。

技术特征：

1.一种基小目标数据增强和平衡损失函数的烟火检测方法，其特征在于，所述方法包括：s1：在模型训练阶段，使用基于小目标数据增强方法soa，通过实施数据增强策略，以增加目标检测网络在各种条件下的烟火小目标检测能力；s2：在模型训练阶段，使用平衡损失函数blf，通过对烟火小目标和正常目标的损失权重进行调整，以提高对烟火小目标的检测精度；s3：在推理预测阶段，使用训练好的烟火检测模型对待检测图像进行推理，获得检测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤s1包括：s11、实施数据增强策略soa，包括对包含烟火目标的图像进行等比例缩小，当图像中最小尺寸的目标尺寸小于小目标的通用定义尺寸时，不再对该图像进行处理；否则，根据相应的计算公式对图像进行等比例缩小，以增加烟火小目标在各种视角和尺度上的检测能力；s12、自建一个图像数据集，包括类烟火目标图像或普通背景图像，并从该图像数据集中随机抽取图像，将其进行指定尺度大小的放缩；s13、对步骤s11和s12得到的烟火目标样本和图像样本进行融合处理，如果烟火目标样本的宽度和高度都小于图像样本的宽度和高度，则将烟火目标样本随机粘贴到图像样本上，生成新的样本，同时更新新样本的目标标签信息，确保其准确性；否则，直接保留烟火目标样本，不进行融合。

3.根据权利要求1所述的方法，其特征在于，所述步骤s11中，数据增强策略soa使用的相应计算公式为：n＝r(n1,n2)，min(sbox)是计算当前图像中所有烟火目标的像素面积，并选取最小的那个像素面积，s1、s2定义为烟火小目标的像素面积，r(n1,n2)表示从n1到n2之间取一个随机值，即得到一个随机缩放因子n，这使得soa算法可以进行随机大小的烟火小目标数据增强，提升小目标数据的多样性；设h,w分别为原图的高和宽，h′和w′分别为调整图像尺寸之后的高与宽(都为整数)，则即当值n1大于1时，通过计算得到放缩之后图像的尺寸，当n1小于或等于1时，表明当前图像中已经存在烟火小目标，则不再对当前图像进行处理；通过以上操作，可以将图像中的烟火目标调整为小目标，并保留了原图的宽高比例，同时也保留了烟火目标周围的背景信息。

4.根据权利要求1所述的方法，其特征在于，所述步骤s2中的平衡损失函数blf可以表示为其中，li为第i个边界框的损失，ioui为计算第i个框的iou，λ为平衡因子，sτ是烟火小目标的界定范围，sgt为真实边界框的面积，sgt,i则为第i个框所对应的真实边界框的面积，所述步骤s2包括：s21、计算每个边界框的损失，如果边界框的真实边界框面积小于预定的界定范围，判定为小目标，此时采用带平衡因子的iou来计算回归损失，否则使用标准iou来计算回归损失；s22、平衡因子的设定，根据实验结果对平衡因子进行设定，对烟火小目标和正常目标的损失权重进行调整，提高对烟火小目标的检测精度。

技术总结
本发明涉及一种基于小目标数据增强和平衡损失函数的烟火检测方法。该方法包括三个步骤：S1：在模型训练阶段，使用基于小目标数据增强方法SOA，通过实施数据增强策略，以增加目标检测网络在各种条件下的烟火小目标检测能力；S2：在模型训练阶段，使用平衡损失函数BLF，通过对烟火小目标和正常目标的损失权重进行调整，以提高对烟火小目标的检测精度；S3：在推理预测阶段，使用训练好的烟火检测模型对待检测图像进行推理，获得检测结果。本发明的优点在于，该方法可提高对烟火小目标的检测精度，降低了对大量标注数据的依赖。

技术研发人员：徐望明,金黎威,魏伦胜
受保护的技术使用者：武汉科技大学
技术研发日：
技术公布日：2024/1/15