一种基于LRC2f和小目标特征聚合的烟火检测方法及装置

本发明属于烟火检测，特别涉及一种基于lrc2f和小目标特征聚合的烟火检测方法及装置。

背景技术：

1、火焰和烟雾检测的研究在当今社会中具有至关重要的地位。这一领域的研究旨在提高火灾安全性，减少火灾对人员、财产和环境的危害。火焰和烟雾检测系统一方面提供了早期警报，帮助人们在火灾初期采取必要的措施，从而降低伤亡和损失。另一方面，这些系统有助于减少财产损失，保护生态系统，减少环境污染。不仅如此，火灾检测研究有助于降低虚警率，确保系统的准确性，避免不必要的疏散和业务中断。研究还可以推动技术的不断进步，使火灾检测更加智能化和高效。火焰和烟雾检测研究在保护人类生命、财产和环境方面发挥着不可替代的作用，为社会的安全和稳定做出了积极贡献。

2、最近几年，基于深度学习的烟火检测方法开始崭露头角，这些方法具备自动学习数据特征的能力，因此在各种场景下展现出卓越的检测性能。基于深度学习的烟火检测方法通常可以划分为两大主要类别：双阶段检测方法和单阶段检测方法在双阶段检测方法中，li等人基于现代深度学习和多维纹理分析，提出了一种全新的图像火检测方法，通过训练faster r-cnn网络，检测候选火灾区域，并将其投影到grassmannian空间中进行分析，该方法取得了高准确性和实时性。meena等人使用rcnn方法来检测森林火灾，并构建早期野火检测模型以帮助控制损失，该方法通过无人机捕获图像进行火灾检测，并使用深度学习技术提高准确性，达到了0.97的准确性。

3、相对于双阶段检测方法，单阶段检测方法具有快的检测速度，同时能够提供更准确的边界框。单阶段方法直接从输入图像中预测目标的位置和类别，无需事先进行候选区域的选择和分类，这有效地减少了推理所需的时间。zhao等人提出了一种改进的fire-yolo算法，用于森林火灾图像中火焰和烟雾目标检测，以及不同自然光照下的火检测，通过扩展特征提取网络并增强特征传播，该算法提高了网络性能并减少了模型参数，fire-yolo取得了比最先进物体检测网络更出色的结果，可实时检测森林火灾。wang等人提出了一种基于yolo-v5s网络的高效多尺度目标检测的特征增强网络架构fe-yolo，通过mixup数据增强策略和特征金字塔模块来解决森林火灾检测中的小目标、边界模糊和特征提取问题。在自制火灾图像上评估，fe-yolo相比基准网络yolo-v5s提高了3.42％的map结果，可以快速应用于森林火灾检测任务。

4、尽管目前已经有了不少烟火检测模型，但现有模型中普遍存在特征提取效率低，特征提取模块感受野受限，小目标火焰目标特征聚合能力不佳等问题。这些问题直接影响了模型的性能，解决这些问题能为模型检测效果带来提升。

技术实现思路

1、发明目的：针对现有火焰及烟雾检测模型存在的特征提取效率低，特征提取模块感受野受限，小目标火焰目标特征聚合能力不佳等问题，本发明提出一种基于lrc2f和小目标特征聚合的烟火检测方法及装置。

2、技术方案：本发明所述的一种基于lrc2f和小目标特征聚合的烟火检测方法，具体包括以下步骤：

3、(1)制作不同场景下包含火焰及烟雾目标的图片数据集，对数据集进行标注，并进行划分；

4、(2)将特征增强策略、lrc2f模块和小目标特征聚合结构集成到yolov8n中；所述特征增强策略指对输入图像属性进行调整，使得火焰和烟雾目标特征更加显著；所述lrc2f模块指轻量级感受野扩张的特征提取模块，在轻量化的同时更大范围感知周围目标；所述小目标特征聚合网络指将浅层网络中大尺寸特征图映射到模型的颈部，更好地捕捉小的火焰及烟雾目标；

5、(3)使用训练集和测试集共同训练搭建好的模型，得到训练结果；

6、(4)使用训练结果检测不同场景下的烟雾及火焰目标。

7、进一步地，所述步骤(1)实现过程如下：

8、(11)收集森林、住宅区、交通道路和商业区等场景下包含火焰和烟雾目标的图片；

9、(12)将所有图片转换为jpg格式；

10、(13)对所有的图片数据集进行标注，标注工具为labelimg，标注框为矩形；

11、(14)按照比例对制作好的数据集进行划分，分为训练集、测试集、验证集。

12、进一步地，步骤(2)所述特征增强策略包括颜色增强、对比度增强和亮度增强；定义饱和度增强因子saturation_factor、对比度增强因子contrast_factor和亮度增强因子brightness_factor，首先根据饱和度增强因子saturation_factor增强输入图片的饱和度，再根据对比度增强因子contrast_factor增强输入图片的对比度，最后根据亮度增强因子brightness_factor增强图片的亮度，以此突出图片中火焰和烟雾目标的特征，使模型更容易辨别。

13、进一步地，步骤(2)所述lrc2f模块包括lrc2f模块的主体和可任意定义数量的瓶颈模块；将输入特征图x经过一个卷积处理得到x1，将x1拆分成两路特征数据，一路送入可任意定义数量的瓶颈模块，一路与可任意定义数量的瓶颈模块的输出进行拼接得到x2，将x2经过一个卷积处理得到输出。

14、进一步地，步骤(2)所述小目标特征聚合结构具体为：

15、将yolov8n主干网络中lrc2f模块输出的80×80大小特征图经过一个最大池化操作，得到40×40的特征图，拼接到模型的颈部，输入到颈部特征图大小为40×40的l2c2f模块中；

16、将yolov8n主干网络中lrc2f模块输出的80×80大小特征图经过两个最大池化操作，得到20×20的特征图，拼接到模型的颈部，输入到颈部特征图大小为20×20的l2c2f模块中；

17、将yolov8n主干网络中lrc2f模块输出的40×40大小特征图经过一个最大池化操作，得到20×20的特征图，拼接到模型的颈部，输入到颈部特征图大小为20×20的l2c2f模块中。

18、进一步地，所述步骤(3)具体为：

19、将数据集输入到搭建好的模型中进行训练，每批次训练16张图片，训练集所有的图片训练完一次为一轮训练；训练时图片尺寸统一调整为640×640，模型会对输入图片不断进行特征提取和两倍下采样，直至特征图大小达到20×20，预测头将会在大、中、小三种尺寸的特征图上进行预测，预测会产生一个矩形框标记目标位置，同时会预测类别；达到指定训练轮次后，选取所有轮次中最佳结果保存。

20、进一步地，所述可任意定义数量的瓶颈模块由三个深度可分离卷积组成，分别是卷积核大小为3×3的深度可分离卷积、卷积核大小为3×3且卷积间隔为2的深度可分离卷积和卷积核大小为1×1的深度可分离卷积。

21、进一步地，所述可任意定义数量的瓶颈模块用于yolov8n的主干网络和yolov8n的颈部；主干网络中可任意定义数量的瓶颈模块会将输入特征以残差连接的方式拼接到输出特征中，颈部可任意定义数量的瓶颈模块不会将输入特征以残差连接的方式拼接到输出特征中。

22、进一步地，所述步骤(4)实现过程为：

23、使用所有训练轮次中最佳结果对应的权重文件对测试集中图片进行检测；检测产生的结果使用不同的矩形框标出。

24、基于相同的发明构思，本发明所述的一种装置设备，包括存储器和处理器，其中：

25、存储器，用于存储能够在处理器上运行的计算机程序；

26、处理器，用于在运行所述计算机程序时，执行如上所述的基于lrc2f和小目标特征聚合的烟火检测方法法步骤。

27、有益效果：与现有技术相比，本发明的有益效果：本发明使用特征增强策略对数据集进行数据增强，使火焰和烟雾目标特征更加显著，这一方法可以使模型能够更容易学习到火焰和烟雾目标的特征信息，有助于增强目标的特征表达，使模型更容易识别和定位目标，从而提高检测准确性；通过设计lrc2f模块，使用深度可分离卷积结合不同的卷积步长，能够在减少模型参数量的同时更大范围感知周围目标，有助于模型捕捉更多的语义信息，即图像中的对象、场景和上下文之间的关系，为火焰和烟雾的特征提取带来更好的效果；大尺寸特征图通常包含更多的语义信息，而深层网络的特征图可以提供更多的局部细节信息，通过设计小目标特征聚合网络，将浅层网络中大尺寸特征图映射到模型的颈部可以获得多尺度信息，有助于模型更全面地理解图像内容，帮助模型寻找难以捕捉的小目标火焰和烟雾；三方面相结合，显著的提高了烟雾和火焰检测的精度。