一种改进YOLOv8的早期火焰小目标检测方法及系统与流程

本申请涉及机器视觉，特别涉及一种改进yolov8的早期火焰小目标检测方法及系统。

背景技术：

1、随着机器视觉算法的不断发展和完善，目标 检测技术也取得了巨大的进步。然而，目前对于早期火焰小目标的识别检测有所不足，并且对于火焰检测实际应用场景来看，早期火焰检测预警是至关重要的。

2、识别出早期火焰意味着能够有效的提供更早的处理预警措施，但是，目前对于早期火焰小目标的识别检测存在着小目标像素占比小、语义信息少、易受到复杂场景干扰等问题，使得在早期火焰的检测实际应用中大多存在着误检、漏检、错检等问题，并且在早期火焰小目标检测算法中对于检测识别有高度时效性和检测的准确性要求，那么，对所搭载的网络模型的嵌入式设备的算力、硬件有很高的要求；神经网络模型的部署往往需要较大的存内计算，这也会导致计算延迟，部署所需功耗要求高。而早期火焰小目标识别算法的部署恰恰要在边缘端设备（比如监控摄像头）等上，而这些设备大多是功耗低、算力低的硬件，极度不利于边缘端神经网络模型的部署。

3、因而，亟需提供一种针对上述现有技术不足的技术方案。

技术实现思路

1、本申请的目的在于提供一种改进yolov8的早期火焰小目标检测方法及系统，以解决或缓解上述现有技术中存在的问题。

2、为了实现上述目的，本申请提供如下技术方案：

3、本申请提供一种改进yolov8的早期火焰小目标检测方法，包括：步骤s101、对目标检测模型yolov8的特征融合网络、注意力机制模块以及边界损失函数分别进行改进，得到改进的yolov8网络模型；步骤s102、基于改进的yolov8网络模型进行火焰小目标检测。

4、优选的，步骤s101包括：基于bifpn算法，对所述目标检测模型yolov8的特征融合网络进行简化处理；将ema模块嵌入所述目标检测模型yolov8的neck网络中进入head网络前的c2f模块；采用nwd损失函数替换所述目标检测模型yolov8中的边界损失函数。

5、优选的，所述基于bifpn算法，对所述目标检测模型yolov8的特征融合网络进行简化处理，具体为：删除所述目标检测模型yolov8的fpn网络结构中只有一条输出边的节点，以简化特征融合网络；对所述fpn网络结构中处于同一层面的输入节点和输出节点之间，额外增加一条传输路径；将所述fpn网络结构中每个双向传输路径作为一个特征网络层，并且重复同一层次

6、优选的，步骤s102包括：对输入的待检测的早期火焰图像进行火焰特征提取，生成所述早期火焰图像的特征金字塔；将改进后的注意力机制模块，嵌入到改进后的所述特征融合网络，将所述早期火焰图像的特征金字塔中不同级别的特征进行组合，生成所述早期火焰图像的特征整合结果；在所述特征整合结果上运行卷积层，基于改进后的边界损失函数，对所述早期火焰图像中的早期火焰小目标的大小、位置进行预测，得到所述早期火焰图像中早期火焰小目标的火焰边界框。

7、本申请实施例还提供一种改进yolov8的早期火焰小目标检测系统，包括：模型改进单元，配置为对目标检测模型yolov8的特征融合网络、注意力机制模块以及边界损失函数分别进行改进，得到改进的yolov8网络模型；目标检测单元，配置为基于改进的yolov8网络模型进行火焰小目标检测。

8、有益效果

9、本申请实施例提供的改进yolov8的早期火焰小目标监测方法中，通过对目标检测模型yolov8的特征融合网络、注意力机制模块以及边界损失函数分别进行改进，得到改进的yolov8网络模型，并基于改进的yolov8网络模型进行火焰小目标检测。籍以，使得改进后的网络能够方便，快速的进行多尺度融合，提高不同尺度特征融合能力，确保有效保留每个通道上的信息并降低计算开销，提高了模型检测精度的同时，降低网络参数量于计算量，并增强模型的鲁棒性。

技术特征：

1.一种改进yolov8的早期火焰小目标检测方法，其特征在于，包括：

2.根据权利要求1所述的改进yolov8的早期火焰小目标检测方法，其特征在于，步骤s101包括：

3.根据权利要求2所述的改进yolov8的早期火焰小目标检测方法，其特征在于，所述基于bifpn算法，对所述目标检测模型yolov8的特征融合网络进行简化处理，具体为：

4.根据权利要求1所述的改进yolov8的早期火焰小目标检测方法，其特征在于，步骤s102包括：

5.一种改进yolov8的早期火焰小目标检测系统，其特征在于，包括：

技术总结
本申请涉及机器视觉技术领域，提供了一种改进YOLOv8的早期火焰小目标检测方法及系统。该检测方法包括：将YOLOv8原有的特征融合模块改进为BIFPN模块，使得神经网络模型能够方便、快速的进行多尺度融合，提高不同尺度的特征融合能力；引入EMA注意力机制，确保有效保留每个通道上的信息并降低计算消耗，在提高模型检测精度的同时，降低网络参数量与计算量，采用NWD作为边界损失函数，增强模型的鲁棒性，使得改进后的网络能够方便，快速的进行多尺度融合，提高不同尺度特征融合能力，确保有效保留每个通道上的信息并降低计算开销，提高了模型检测精度的同时，降低网络参数量于计算量，并增强模型的鲁棒性。

技术研发人员：刘永涛,杜虎彬,关子谦,李秋瑜,张恒源
受保护的技术使用者：河北法拉第科技有限公司
技术研发日：
技术公布日：2024/4/22