基于卷积神经网络的森林火灾烟雾探测算法研究
有雾天气下输电线路山火烟雾检测方法研究
消防设备研究有雾天气下输电线路山火烟雾检测方法研宄刘志翔\牛彪S王帅\陈青松、龙雅芸:，江柳2(1.国网山西省电力公司电力科学研究院，山西太原300001;2.华北电力大学（保定），河北保定071003)摘要：输电线路多处于环境复杂的山林中，早期山火发生时经常以烟雾的形式呈现，而在有雾状况下的山火烟雾检测方法的研究却很少见针对有雾天气状况时的山火检测，提出一种去雾图像增强方法，首先对图像局部均衡化处理，再对全局利用改进的单尺度R e t i n e x方法做增强处理，并使用基于卷积神经网络的山火烟雾检测网络来检测早期山火发生时产生的烟雾_实验结果 表明，基于局部和全局的图像增强方法可使山火烟雾检测准确率有明显提升，通过卷积神经网络的烟雾检测准确率达到97.2%。
关键词：输电线路；图像去雾；烟雾检测；卷积神经网络中图分类号：X932;T P391.4 文献标志码：A文章编号：1009-0029(2021)03-0390-04我国地域广阔，电力资源分布不均，为满足人民对电 力的需求，必须进行大规模远距离的跨地域输电。
输电线 路所跨越的地域多处于草木繁盛的野外，会受到天气或人 为因素影响而导致山火发生，极易引起输电线路跳闸，给 电网安全运行和人民生命财产带来威胁。
烟雾作为火灾 发生的早期信号，在背景复杂的山林中，相对于火焰更容 易被观测到，进而可以及时发现山火，避免事故的扩大。
...............................................................Ill.......Ill................Ill....................................nil.....'I l l'M l......M il.....M il......Ill.......I l l,M i l.....Mi l_"l||'I II,,.. scene o f the laboratory accident. T h r o u g h the control software, the laboratory safety monitoring device a n d feedback in the syst e m m a n a g e m e n t a n d control m o d ule, a n d through Z i g B e e netw o rk, the r emote c o m m u n i c a t i o n m o d u l e feed bac k the simula- tion results a n d control results of laboratory accident to the a pplication m o d u l e for monitoring, analysis a nd display, so as to realize the design o f laboratory accident alarm system. T h e s i mulation experiment is designed, a n d the real-time control is carried out b y using the designed laboratory accident alarm sys- tem. T h e results s h o w that the system can effectively simulate the laboratory fire accident, with high safety efficiency a nd w i d e monitoring range.K e y w o r d s: r emo t e monitoring; laboratory; the accident; safety;a l arm system作者简介：包艳华（1982—），女，江苏句容人，南京工 业大学材料学院实验室助理研究员，硕士，主要从事实验 室安全管理和研究生培养管理工作，江苏省南京市浦口区 浦珠南路30号材料学科楼A521室，210009。
计算机视觉感知中的烟雾浓度弱监督估计
计算机视觉感知中的烟雾浓度弱监督估计发布时间：2022-04-02T01:54:30.510Z 来源：《科学与技术》2021年第32期作者：封晓强[导读] 随着我国经济建设快速发展和人民物质生活水平的不断提高，造成火灾的因素也明显增多。
基于视觉感知的监控系统在城市防火、森林防火和其他重要场所的防火监测中发挥了重要作用。
封晓强南京恩博科技有限公司江苏南京 210007摘要：随着我国经济建设快速发展和人民物质生活水平的不断提高，造成火灾的因素也明显增多。
基于视觉感知的监控系统在城市防火、森林防火和其他重要场所的防火监测中发挥了重要作用。
通过计算机视觉技术，对早期的火灾事件进行监测，已经受到研究人员的广泛关注。
目前基于深度学习的烟雾识别方法主要是有监督学习范式，包含端到端的烟雾图像分类、烟雾目标检测等。
但是烟雾目标不同于一般的刚体目标，其存在半透明、非刚体的特征，因此人工无法对烟雾图片进行非常精确的标注，尤其是逐像素的浓度标注。
但是烟雾的浓度信息又是烟雾的核心信息之一，其中包含了最丰富的烟雾像素级别信息。
为了弥补烟雾标注困难和浓度预测的鸿沟，本文从深度学习内部的特征空间优化开展，结合弱监督学习范式，对烟雾和背景特征的分布进行优化，最后特征空间分布优化、不同浓度烟雾特征度量和知识蒸馏等三个方面展开，探讨了视觉感知中的烟雾浓度弱监督估计策略。
关键词：视觉感知；烟雾识别；弱监督学习；浓度估计随着我国经济建设的快速发展，造成火灾的因素越来越多。
烟雾作为火灾的早期特征，受到研究人员的广泛关注。
目前绝大多数烟雾识别算法是基于深度学习的迁移学习和监督学习，往往需要依靠大量高质量的人工标注数据。
通过输入图片和大量标签，端到端训练得到一个深度学习模型。
但是深度学习内部的烟雾特征分布具体是怎样的，不同浓度的烟雾是如何区分的，不同浓度的烟雾特征分布如何影响整体模型精度，这些问题目前还没有得到关注。
而且，目前的深度模型在实际应用中，也面临着高误报率和一定的漏报风险。
基于人工神经网络模型的森林火灾预警模型研究
基于人工神经网络模型的森林火灾预警模型研究摘要：在我国大力提倡退耕还林的前提下,森林资源得到了有效地保护。
由于近几年来森林火灾不断发生,导致森林资源受到巨大的破坏,影响了人们正常的生活以及社会发展。
做好目前的森林防火工作,是保护自然生态环境最有效的手段。
关键词: 人工神经网络；森林火灾预警；数据挖掘1.引言森林火灾，是指失去人为控制，在林地内自由蔓延和扩展，对森林、森林生态系统和人类带来一定危害和损失的林火行为。
森林火灾是一种突发性强、破坏性大、处置救助较为困难的自然灾害。
在各种威胁森林资源的因素中，森林火灾是破坏自然及社会平衡的首要灾害，加之近年来由于人口剧增与工业化速度的加快，以及受厄尔尼诺现象的影响，自然灾害与人为灾害频率增加，互相影响，不仅影响人类生存的环境质量，同时带来巨大的经济损失，引起了世界各国的普遍关注。
在我国大力提倡退耕还林的前提下,森林资源得到了有效地保护。
但是随着经济的不断发展,生态环境遭受了严重的破坏。
森林作为生态环境中最重要的资源,能够对生态环境起到较好的保护作用。
由于近几年来森林火灾不断发生,导致森林资源受到巨大的破坏,影响了人们正常的生活以及社会发展。
做好目前的森林防火工作,是保护自然生态环境最有效的手段。
因此，森林火险气象等级的研究有利于森林火灾的预测预防，能为森林防火工作人员针对不同区域不同时间采取不同防火措施提供参考及决策支撑。
森林火险气象等级模型能够利用气象部门的天气预测适时显示出目标区域的森林火险等级，能够帮助林业部门有针对性的制定防火策略，分配防火资源，具有重要的实用价值。
2.研究概述在森林火灾灾害风险管理中，灾害风险的评估是其核心部分，森林火灾风险评估主要是运用科学合理的评估方法和手段，对当前森林火灾风险状况进行准确的评估和分析，并有针对性地提出建议和对策以减小风险。
在评估的基础上进行风险预测有利于森林火灾风险的预防和预报，从而降低森林火灾风险，减少火灾损失。
基于反馈趋势算法神经网络的火灾监测算法研究
基于反馈趋势算法神经网络的火灾监测算法研究摘要:本文采用温度、烟雾、一氧化碳浓度进行火灾检测。
在数据处理方法上,采用反馈趋势算法的神经网络对火灾的有无进行判断,较单个传感器及传统的神经网络相比,基于反馈趋势算法神经网络数据融合的结果具有较高的准确度和可信度。
关键词:火灾探测数据融合神经网络Abstract:This paper adopts temperature, smog, CO monoxide to detect fire. In the aspect of data processing, it adopts Feedback trend neural network to decide the existence of fire. Comparing with the single sensor and the traditional neural network, the result of feedback trend neural network data fusion has higher accuracy and confidence level.Key words:fire detection,data fusion,neural network信息融合是关于多源信息综合处理的技术。
它是将来自系统的多源信息加以智能化合成,产生比单一信息源更精确、更完全的估计和判断。
把信息融合技术应用到火灾监测控制系统,对多个不同性质的传感器提供的数据进行多级别、多方面处理,具有许多优点。
例如,可得到比单一传感器更全面、更准确的系统信息;一组相似的传感器采集的信息具有冗余性,这种冗余信息的适当融合可在总体上降低信息的不确定性;有些不同类型传感器采集的信息具有明显的互补性,这种互补性经过适当处理后可补偿单一传感器的不确定性和测量范围的局限性;多传感器可增加系统的可靠性,如当某个或某几个传感器失效时,系统仍可正常工作。
面向森林火灾监测的无线传感器网络技术的研究
综上所述，基于无线传感器网络的高校校园火灾监测系统设计具有重要的现实 意义和推广价值。在未来的研究中，可以进一步优化传感器选择和网络布局， 提高系统的智能化和自适应性，以实现更加精准、高效的火灾监测。
谢谢观看
二、无线传感器网络技术概述
无线传感器网络是由一组低功耗、微型、自组织的传感器节点组成的网络，通 过无线通信方式对环境参数进行感知、数据传输和处理。这些传感器节点可以 监测森林中的各种参数，如温度、湿度、烟雾、火焰等。
三、无线传感器网络在森林火灾 监测中的应用
1、火灾预警：通过部署在森林中的无线传感器节点，实时监测环境参数，当 检测到异常数据（如温度升高、烟雾等）时，立即发出预警信号，从而提早发 现火灾隐患。
高校校园火灾监测系统的设计对于保障广大师生的生命财产安全具有至关重要 的作用。传统的火灾监测方法往往依赖于人工巡查和设备监测，但这些方式存 在一定的局限性。为了解决这些问题，本次演示提出了一种基于无线传感器网 络的高校校园火灾监测系统设计方案。
二、问题陈述
在高校校园火灾监测系统中，面临的主要问题包括：
2、组建无线传感器网络：利用无线通信技术，将各个传感器数据传输到监控 中心，实现对校园的全方位监测。
3、数据处理与分析：对收集到的传感器数据进行处理和分析，通过算法判断 是否有火灾发生，并立即发出警报。
4、设备自维护：设计设备自维护功能，定期对设备进行自我检查和校准，确 保系统的稳定运行。
四、研究结果
面向森林火灾监测的无线传感 器网络技术的研究
01 一、引言
目录
02
二、无线传感器网络 技术概述
三、无线传感器网络
03 在森林火灾监测中的 应用
04
四、无线传感器网络 技术的研究进展
基于卷积神经网络的图像检索算法研究
基于卷积神经网络的图像检索算法研究一、引言随着图像数据不断增加，如何高效地管理和检索这些海量的图像数据成为了一个重要的研究方向。
卷积神经网络(Convolutional Neural Network，CNN)作为一个强大的图像识别工具，已经广泛应用于图像处理领域。
因此，基于卷积神经网络的图像检索算法也成为当前研究的热点之一。
二、相关工作基于卷积神经网络的图像检索算法已经有着广泛的研究和应用。
在这些算法中，通常采用的是将图像的特征进行编码，然后根据编码后的特征进行相似度计算。
下面列举几个较为典型的方法：1. Siamese NetworkSiamese Network双塔网络是一种经典的图像对比较方法。
它用两个相同的卷积神经网络分别提取两张图像的特征，然后将这两个特征向量进行拼接，最后采用欧几里得距离或余弦相似度等作为相似性度量，判断两张图像之间的相似度。
2. Triplet NetworkTriplet Network三塔网络基于Siamese Network的思想，增加了一个负样本，其中正样本和负样本与查询样本的距离之间的差距要大于一定的阈值，从而能够区分图像的相似性。
3. Deep learning to HashDeep learning to Hash是基于深度学习的哈希技术。
它将卷积神经网络用于特征提取，然后通过哈希函数将特征编码成二进制码。
这种哈希编码有着较高的检索效率。
三、研究重点基于卷积神经网络的图像检索算法，其本质上是图像相似度匹配。
因此，关键在于如何选择合适的相似度度量方法。
1. 欧几里得距离欧几里得距离是一种常见的相似度度量方法，在图像检索中也被广泛应用。
其公式如下：$d(x,y)=\sqrt{\sum_{i=1}^{n}(x_i-y_i)^2}$其中，x和y表示图像的特征向量，n表示特征向量的维度。
2. 余弦相似度余弦相似度是一种基于向量夹角的相似度度量方法。
其公式如下：$similarity=\cos(\theta)=\frac{\sum_{i=1}^{n}(x_iy_i)}{\sqrt{\sum _{i=1}^{n}(x_i)^2}\sqrt{\sum_{i=1}^{n}(y_i)^2}}$其中，x和y表示图像的特征向量，n表示特征向量的维度。
目标检测火焰烟雾检测论文（实验部分）
⽬标检测⽕焰烟雾检测论⽂（实验部分）01|基于图像的⽕焰检测算法数据集总共数量，包括的⼲扰，⽤来训练的数量、⽤来测试的数量。
训练测试结果仿真实验环境指标公式⽤正类预测正确率 T PR 与反类预测正确率T NR 来描述实验结果的准确性,定义如下T PR =T PT P +F N T NR =T N F P +T N 式中 :T P 表⽰预测结果为正类,实际上是正类 ;F P 表⽰预测结果为正类,实际上是反类;FN 表⽰预测结 果为反类,实际上是正类;TN 表⽰预测结果为反类, 实际上是反类。
算法结果⽐较02|基于图像处理的森林⽕险检测系统03|基于视频图像的⽕焰检测实验环境对⽐⽅法()()Processing math: 100%实验结论特征提取的⽕焰区域更加完整，更加准确，但是背景差分将固定的图像作为背景图像时，周围许多的环境因素会不同程度上影响到检测的准确性。
实验结果也表明，⼀般情况下⾃然环境中的⽕灾重⼼⾼度系数会随着燃烧时间⽽变⼤，但是最⼤不会超过 0.45。
04| 基于计算机视觉的森林⽕灾识别算法设计试验平台搭建说明实验设计实验结果通过上述所设计的3组对照试验，可以得出单纯的采⽤⼀种特征对烟雾与⽕焰的判别有⼀定的准确度，但是精度不⾼。
若利⽤图像的综合特征进⾏分类，试验结果表明⽐采⽤单类特征的分类效果要好。
由于林⽕⾏为的复杂性与特殊性，在⽕灾初期通常是先产⽣烟雾，单⼀的采⽤⽕焰识别容易错过扑灭最佳时机，故采⽤烟⽕综合特征共同判断森林⽕灾，识别准确率可达97．82％。
通过⽐较容易得出，利⽤图像综合特征识别⽅法⽐采⽤单类特征识别效果更好，⽽且通常情况下使⽤的特征越多，分类效果越好，但是这并不绝对，还要根据所处环境、⽓候以及识别对象综合进⾏考虑，选取最优的特征组合从⽽得到更佳的试验结果。
05|从传统到深度：视觉烟雾识别、检测与分割06|Using Popular Object Detection Methods for Real Time Forest Fire DetectionIn this section, we will show experiments results through 3 object detection methods, Faster R-CNN, YOLO (tiny-yolo-voc1, tiny-yolo-voc, yolo-voc.2.0, andyolov3) and SSD.For Faster R-CNN, we give a result based on 120000 iteration times. For YOLO, we find that YOLO has a bad performance on smaller cooler fire detection, sowe try to adjust the structure of tiny-yolo-voc by adding two more layers (one is convolutional layer and the other is maxpooling layer, the filter ofconvolutional layer is 8). When training is finished, we finally find that these two added layer boost the original smaller fire detection accuracy rate. The experiment result proves that more layer with small filter catch more details. For SSD, we test its static and real-time detection accuracy rate on smaller fire, the result shows that this methods has better performance than YOLO (tiny-yolo-voc), it can make an accurate and real-time detection an smaller fire.对⽐三种⽬标检测⽅法 : Faster R-CNN YOLO SSDFaster R-CNN的训练轮数是120000yolo在smaller cooler fire detection上表现不佳，在增加了⼀个⼋个滤波器的卷积层和⼀个最⼤池化层之后，原本的⼩⽕焰检测准确率提⾼了。
基于计算机视觉技术的火灾自动检测与报警系统研究
基于计算机视觉技术的火灾自动检测与报警系统研究作者：卢志恒来源：《消防界》2023年第13期摘要：随着计算机视觉技术的发展，火灾自动检测与报警系统的研究日渐受到重视。
本文旨在深入研究和探讨基于计算机视觉技术的火灾自动检测与报警系统。
首先，通过对当前火灾检测技术的分析，提出了利用计算机视觉技术进行火灾检测的必要性和可行性。
其次，详细介绍了基于计算机视觉的火灾检测与报警系统的设计和实现方法。
最后，对该系统进行了实验验证，并对实验结果进行了分析，证明了该系统的有效性和实用性。
关键词：计算机视觉；火灾检测；自动报警系统引言随着社会的发展和科技的进步，火灾安全问题日益突出。
传统的火灾检测方法，如烟雾探测、温度探测等，虽然在一定程度上能够实现火灾的早期发现，但由于其存在误报率高、反应时间慢等问题，往往无法满足现代社会对火灾安全的需求。
近年来，计算机视觉技术在各领域得到了广泛应用，其在火灾检测方面的应用也引起了广大研究者的关注[1]。
因此，本文针对基于计算机视觉技术的火灾自动检测与报警系统进行深入研究，具有重要的理论意义和实践价值。
一、火灾检测技术现状分析（一）火灾检测的重要性火灾一旦发生，其迅速蔓延的特性将对人员安全和财产造成严重威胁。
因此，及时检测并报警是防止火灾扩大、减少损失的关键。
有效的火灾检测技术能够为消防部门的快速响应争取宝贵时间，降低火灾风险，保护人民生命财产安全。
（二）传统火灾检测技术及其限制传统火灾检测技术主要包括烟雾探测器、温度传感器、火焰探测器等。
这些技术在火灾预防中起到了一定作用，但也存在不容忽视的局限性[2]。
例如，烟雾探测器可能会因环境污染或蒸汽误报；温度传感器在火灾初期可能无法及时反应；火焰探测器需要直视火焰才能检测，受视线和遮挡影响较大。
此外，这些传统方法难以实现复杂场景下的精确检测，且对于大型开放空间的监控存在明显盲区。
（三）计算机视觉技术在火灾检测中的应用进展计算机视觉技术的引入为火灾检测带来了新的可能性。
神经网络在智能火灾预警系统的应用
Ａｂｓｔｒａｃｔ：Ａｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｊｕｄｇｉｎｇ ｆｌａｍｅ ｓｔａｔｅ ｂｙ ｕｓｉｎｇ ａ ｖａｒ ｉｅｔｙ ｏｆ ｓｅｎｓｏｒｓ ｉｓ ｐｒｏｐｏｓｅｄ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｃａｒｂｏｎ
ｍｏｎｏｘｉｄｅ ｓｅｎｓｏｒ，ｓｍｏｋｅ ｓｅｎｓｏｒ ａｎｄ ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｏｒ ｄａｔａ，ｆ ｌａｍｅ ｓｔａｔｅ ｉｓ ｃｌａｓｓｉｆ ｉｅｄ ｕｎｄｅｒ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｌｇｏｒｉｔｈｍ．Ａｎｄ ｕｓｅ ｔｈｅ Ｌ—ＢＦＧＳ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒ ｉｔｈｍ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ＢＰ ａｌｇｏｒ ｉｔｈｍ ｔｏ ｓｐｅｅｄ ｕｐ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｐｒｏｃｅｓｓ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ａｎｄ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅ ｐｒｅｃｉｓｉｏｎ ｏｆ ｓｙｓｔｅｍ ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｐｒｏｖｅｓ ｔｈａｔ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｒｅｄｕｃｅ ｔｈｅ ｆａｌｓｅ ａｌａｒｍ ｒａｔｅ ｏｆ ｔｈｅ ｆ ｉｒｅ ａｌａｒｍ ｓｙｓｔｅｍ ，ｅｎｈａｎｃｅ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ａｎｄ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｓｙｓｔｅｍ ｓｅｃｕｒｉｔｙ ａｌａｒｍ ，ａｎｄ ｒｅａｈｉｍｅ ａｎｄ ｅｆｆｅｃｔｉｖｅ ｆ ｉｒｅ ｗａｒｎｉｎｇ ｃａｎ ｂｅ ｃａ￣ｉｅｄ ｏｕｔ． Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉ—ｓｅｎｓｏｒ ｄａｔａ ｆｕｓｉｏｎ； ｆｉｒｅ ａｌａｒｍ ；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｌｉｍｉｔｅｄ—ｍｅｍｏｒｙ Ｂｒｏｙｄｅｎ Ｆｌｅｔｃｈｅｒ Ｇｏｌｄｆａｒｂ
基于 此，本文采用 了基 于改进 的反向传播 （ｂａｃｋ ｐｒｏｐａ— ｇａｔｉｏｎ，ＢＰ）神 经 网 络技 术 的 智 能 火灾 探 测模 型 ，并 利 用 Ｓｏｆｌｍａｘ函数建立火灾探 测系统 ，将火 灾状 态分 为无 火 、阴 燃火 以及 明火 ３种状态 ，最 终判断输 出火灾 当前 处于何 种 状 态 。 １ 数 据 融合 系统 １．１ 火 灾探 测参 量 确 定
火灾探测中的烟雾视觉处理方法
火灾探测中的烟雾视觉处理方法
一、简介
烟雾在火灾探测中作为重要的视觉信息，用于检测火灾源并准确评估火势。
为了有效检测火灾源，火灾报警系统和消防机构开发了各种视觉处理算法，用于从图像中提取和识别烟雾的特征。
这些算法主要包括图像增强、特征提取和特征分类方法，可以有效提取烟雾的特征信息，提升火灾报警系统的可靠性和稳定性。
二、图像增强
烟雾火灾图像在获取和处理过程中往往受到环境光照条件和光污染的影响，会影响到图像的质量和后续的处理效果，因此，图像增强是视觉处理中不可或缺的一步。
图像增强主要用于增强图像的对比度和保护真实信息，以获取更加明显和准确的烟雾信息和细节。
常见的图像增强算法有直方图均衡、对比度拉伸、灰度直方图拉伸和锐化等。
三、特征提取
烟雾的特征提取是指从火灾检测图像中提取出与火灾源相关的特征信息，包括烟雾的颜色、大小和形状等，以便进一步识别和定位烟雾源。
目前，烟雾特征提取算法主要包括两类：形状特征提取和灰度特征提取。
因烟雾的大小和形状是烟雾源特有的特征，因此，烟雾颜色和大小可以作为火灾源识别的一个重要依据。
基于卷积神经网络的图像去雾算法研究
基于卷积神经网络的图像去雾算法研究近年来，随着计算机视觉技术的快速发展，图像处理成为了一个热门的研究领域。
其中之一的问题是图像去雾，即去除由于大气散射引起的图像模糊和降低对比度的问题。
为了解决这个问题，研究人员提出了许多算法。
本文将重点研究基于卷积神经网络的图像去雾算法。
卷积神经网络（CNN）是一种广泛应用于图像处理领域的深度学习算法。
它通过多层的卷积和池化操作，有效地提取图像的特征。
在图像去雾任务中，CNN可以学习到大气散射的特征，并且通过去除这些特征来还原清晰的图像。
首先，我们需要收集一组带有雾霾的图像以及对应的清晰图像作为训练数据集。
这些图像可以通过真实场景的拍摄或者从互联网上的图像库中获取。
接下来，我们需要对这些图像进行预处理，包括调整大小、裁剪、增加噪声等操作，以增加模型的鲁棒性。
然后，我们可以设计一个基于CNN的图像去雾模型。
这个模型可以由多个卷积层、池化层和全连接层组成。
卷积层用于提取图像的空间特征，池化层用于减小特征图的尺寸，全连接层用于将特征转化为输出结果。
此外，我们可以使用一些激活函数（例如ReLU）来增加模型的非线性能力。
在训练过程中，我们需要使用带有雾霾的图像作为输入，清晰的图像作为目标输出。
通过比较模型输出和目标输出的差异，我们可以计算出损失函数，并使用反向传播算法来更新模型参数。
为了提高模型的泛化能力，可以使用数据增强技术，如旋转、缩放和翻转等。
此外，还可以使用一些正则化技术，如Dropout和L2正则化，来防止过拟合。
当模型训练完成后，我们可以使用它来对新的图像进行去雾处理。
具体来说，我们将待处理的图像输入到模型中，并获得相应的输出。
这个输出将是去除雾霾后的图像。
通过对比输入和输出图像，我们可以评估模型的去雾效果。
为了进一步提高去雾效果，我们可以考虑引入一些先验知识。
例如，我们可以利用大气散射的物理模型来指导图像去雾过程。
这可以通过将物理约束添加到模型的损失函数中来实现。
森林防火系统中图像识别算法的研究
哈尔滨工业大学工学硕士学位论文摘要森林是陆地生态的主体，具有很高的生态效益和经济效益。
鉴于目前我国森林防火的严峻形势，必须开发有效技术解决森林火灾的监测问题。
传统火灾探测器多采用单一时刻的火灾参量作为判断标准，在外界干扰下易引起频繁误报或漏报。
近年来提出的基于机器视觉的火灾报警系统，利用数字图像处理技术来实现火灾自动报警。
基于火焰和烟雾的图像特征，本文研究了一种识别自然环境下火灾的机器视觉方法。
火灾发生过程中，主要的图像信息是燃烧时产生的烟雾和火焰，通过对烟雾和火焰的图像信息研究发现，烟雾和火焰本身具有一定的规律性，以此为依据设计有针对性的算法，从图像中识别出烟雾和火焰，判断火灾是否发生。
首先，论文阐述了森林防火技术及图像型火灾检测技术的发展和现状，并对图像分割和滤波方法中的关键技术进行了详细介绍，在此基础上，本文分别讨论了火焰和烟雾的分割与识别。
然后，对于火焰分割，针对不同情况下的火焰研究了三种不同的分割技术，实现了火焰区域的准确分割。
对于火焰的特征检测，主要进行颜色和动态特征的分析，通过建立火焰颜色模型进行颜色识别，再进一步进行火焰的四个动态特征的识别。
对于烟雾分割，由于烟雾颜色的复杂性，采取颜色提取法进行分割，并运用视觉一致性的聚类算法对其进行了改进。
对于烟雾的特征检测，主要进行小波特征及动态特征的分析，通过对比烟雾图像与背景图像小波系数进行小波特征识别，再对识别结果进一步进行动态特征识别，包括烟雾的不规则性和扩散性，最终确定视频中是否存在烟雾。
最后，综合以上分析，给出了森林防火系统中火灾的识别的整体流程以及火焰和烟雾分别的识别流程。
实验证明，综合火焰和烟雾的静态特征及动态特征的火灾识别方法，识别率高。
在火灾检测技术中，具有较好的发展前景。
关键词火焰识别；烟雾识别；图像分割；动态特征- I -AbstractForest is the main terrestrial ecosystem, with high ecological benefits and economic benefits. In view of the current forest fire in China's serious situation, effective technology must be develop to solve the problem of forest fire monitoring so that people's lives and property safety can be effectively protected. More traditional fire detectors use a single moment of the parameters as a standard, in the under-interference caused frequent false positives or omissions. In recent years the fire alarm system based on the machine vision uses digital image processing techniques to achieve automatic fire alarm.Based on the flame and smoke image characteristics, a machine vision method of identifying the natural fire is proposed in this thesis. In the course of the fire, the main image information is the combustion of smoke and flame. Through the study of smoke and flames image information, smoke and flame phenomenon itself has certain regularity. So targeted algorithm can be designed, identify the smoke and flame from image and judge whether the fire occurred based on this kind of found.First of all the thesis explains the techniques status and development of forest fire prevention and fire-detection using digital image processing techniques. On this basis, the segmentation and the identification of flame and smoke are discussed.Then, three different segmentation technologies for different flames are proposed to achieve the accuracy flame region. For the detection of the flame characteristics, color and dynamic analysis are mainly used. The color is identified by establishing of flame color model. Further the dynamic characteristics of the flame are identified. For the complexity of the smoke color, the color extraction method is used to division, and improved by using of the clustering algorithm for visual consistency. For the detection of smoke characteristics, the wavelet characteristics analysis and the dynamic characteristics analysis are mainly used. The wavelet characteristics are identified by comparing images and background images smoke wavelet coefficients, and then the dynamic characteristics of the result, including the- II -哈尔滨工业大学工学硕士学位论文irregularity and the diffusivity of the smoke is further identified. And then we can determine whether there is smoke in the video.Finally, the overall flow of fire identification in forest fire protection is proposed based on above analysis.The experimentation results show that the fire detecting method which integrating static character and dynamic character of flame smoke has high recognition rate. In the area of fire detecting based on video image sequence analysis, the technique introduced in this thesis has good prospect for development .Keywords flame recognition; smoke recognition; image segmentation; dynamic character- III -目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题背景 (1)1.2 课题来源 (2)1.3 森林防火技术的研究现状 (3)1.4 图像型火灾检测的研究现状 (4)1.4.1 火焰与烟雾图像特征分析 (5)1.4.2 图像型火灾检测的技术现状 (7)1.4.3 图像型火灾检测的应用现状 (7)1.5 论文的主要内容及结构安排 (8)1.5.1 论文的研究内容 (8)1.5.2 论文的结构安排 (8)第2章数字图像处理基础 (10)2.1 引言 (10)2.2 图像分割理论基础 (10)2.2.1 边缘检测法图像分割 (11)2.2.2 阈值法图像分割 (12)2.2.3 基于区域特性的图像分割 (14)2.2.4 特征空间聚类法图像分割 (14)2.3 图像的滤波 (15)2.3.1 线性滤波 (16)2.3.2 非线性滤波 (16)2.4 本章小结 (18)第3章火焰与烟雾的图像分割 (19)3.1 引言 (19)3.2 实时背景差分 (19)3.3 图像增强 (20)3.4 火焰分割 (22)- IV -哈尔滨工业大学工学硕士学位论文3.4.1 最大类间方差阈值法 (22)3.4.2 特征空间聚类法 (24)3.4.3 颜色提取法 (26)3.5 烟雾分割 (27)3.5.1 颜色提取法 (27)3.5.2 基于视觉一致性聚类法 (30)3.6 本章小结 (33)第4章火焰与烟雾的特征识别 (34)4.1 引言 (34)4.2 火焰的颜色特征 (34)4.2.1 各色彩空间比较 (34)4.2.2 火焰图像分布模型 (35)4.2.3 YCbCr空间分析 (39)4.3 火焰的动态特征 (41)4.3.1 不规则性 (41)4.3.2 扩散性 (42)4.3.3 相似性 (42)4.3.4 稳定性 (43)4.4 烟雾的小波特征 (44)4.5 烟雾的动态特征 (45)4.5.1 扩散性 (45)4.5.2 不规则性 (45)4.6 本章小结 (46)第5章实验结果分析 (47)5.1引言 (47)5.2 火灾识别的总体流程 (48)5.3 火焰分割与识别结果分析 (48)5.3.1 火焰分割结果 (49)5.3.2 火焰特征识别结果分析 (50)5.4烟雾分割与识别结果分析 (57)5.4.1 烟雾分割结果 (57)5.4.2 烟雾特征识别结果分析 (59)5.5 本章小结 (60)- V -结论 (61)参考文献 (62)攻读学位期间发表的学术论文 (67)哈尔滨工业大学硕士学位论文原创性声明 (68)哈尔滨工业大学硕士学位论文使用授权书 (68)致谢 (69)- -VI哈尔滨工业大学工学硕士学位论文第1章绪论1.1课题背景信息技术迅猛发展，图像压缩及视频监控等技术已经深入到社会生活的各个方面，而森林火险预警的重要手段之一就是对现场的直接观测。
《基于YOLO的早期火灾检测算法》范文
《基于YOLO的早期火灾检测算法》篇一一、引言随着科技的不断进步，火灾检测与预防技术已成为保障公共安全的重要手段。
早期火灾检测算法的准确性和效率直接关系到火灾的及时发现和有效应对。
近年来，基于深度学习的目标检测算法在火灾检测领域得到了广泛应用。
其中，YOLO（You Only Look Once）系列算法以其高准确性和高效率的特点，在早期火灾检测中发挥着重要作用。
本文将详细介绍基于YOLO的早期火灾检测算法的原理、实现及优势。
二、YOLO算法概述YOLO（You Only Look Once）是一种实时目标检测算法，其核心思想是将目标检测任务转化为一个回归问题。
通过将图像划分为多个网格，每个网格负责预测一定数量的目标框及其类别概率，从而实现多类别的目标检测。
YOLO算法具有速度快、准确率高、易于实现等优点，在火灾检测领域具有广泛的应用前景。
三、基于YOLO的早期火灾检测算法1. 算法原理基于YOLO的早期火灾检测算法主要利用YOLO算法的优点，通过训练模型来识别图像中的火灾相关特征。
算法将输入的图像划分为多个网格，每个网格负责检测可能存在火灾的区域。
通过卷积神经网络提取图像特征，并利用回归方法预测目标框的位置及其类别概率。
当模型检测到与火灾相关的目标时，将触发火灾报警。
2. 算法实现（1）数据集准备：收集包含火灾场景的图像数据集，对数据进行标注，包括火灾区域的位置和类别等信息。
（2）模型训练：使用深度学习框架（如TensorFlow、PyTorch等）搭建YOLO算法模型，并利用准备好的数据集进行训练。
在训练过程中，通过调整模型的参数和结构来优化模型的性能。
（3）模型评估与优化：使用测试数据集对训练好的模型进行评估，根据评估结果对模型进行优化，提高模型的准确性和鲁棒性。
（4）火灾检测：将训练好的模型应用于实际场景中，对输入的图像进行实时检测。
当模型检测到与火灾相关的目标时，将触发火灾报警，并采取相应的措施进行应对。
基于改进YOLOv5s的火灾烟雾检测算法研究
第１３卷㊀第５期Ｖｏｌ．１３Ｎｏ．５㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年５月㊀Ｍａｙ２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０５－００７５－０７中图分类号：ＴＰ３９１．４１文献标志码：Ａ基于改进ＹＯＬＯｖ５ｓ的火灾烟雾检测算法研究蔡㊀静，张㊀讚，冉光金，李㊀震，李良荣（贵州大学大数据与信息工程学院，贵阳５５００２５）摘㊀要：为了解决火灾烟雾检测算法中存在的错检㊁漏检以及实时性差等问题，提出了一种基于ＹＯＬＯｖ５ｓ的火灾烟雾检测模型㊂首先，使用ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块代替原ＹＯＬＯｖ５ｓ网络结构中的常规卷积模块，在保持相同性能的基础上，降低检测模型的计算成本㊁减少模型参数；其次，在原ＹＯＬＯｖ５ｓ模型骨干网络中加入ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ结构，减少对卷积神经网络的依赖性，同时提高获取全局和局部特征的能力；最后，引入ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ注意力机制，有效地提取特征信息，进一步提高检测的准确率㊂实验结果表明，所提出的火灾烟雾检测模型参数减少１７％，准确率提高０．７３％，检测速度提升２２．５％，可以满足实际场景下的火灾烟雾检测㊂关键词：火灾烟雾检测；ＹＯＬＯｖ５ｓ；ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ；ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎＴｈｅｆｉｒｅｓｍｏｋｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｓｒｅｓｅａｒｃｈＣＡＩＪｉｎｇ，ＺＨＡＮＧＺａｎ，ＲＡＮＧｕａｎｇｊｉｎ，ＬＩＺｈｅｎ，ＬＩＬｉａｎｇｒｏｎｇ（ＣｏｌｌｅｇｅｏｆＢｉｇＤａｔａａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＩｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｆａｌｓｅｄｅｔｅｃｔｉｏｎ，ｍｉｓｓｅｄｄｅｔｅｃｔｉｏｎａｎｄｐｏｏｒｒｅａｌ－ｔｉｍｅｐｅｒｆｏｒｍａｎｃｅｉｎｆｉｒｅｓｍｏｋｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ，ａｆｉｒｅｓｍｏｋｅｄｅｔｅｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｙｏｌｏｖ５ｓｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｇｈｏｓｔｒｅｖｏｌｕｔｉｏｎｍｏｄｕｌｅｉｓｕｓｅｄｔｏｒｅｐｌａｃｅｔｈｅｃｏｎｖｅｎｔｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎｍｏｄｕｌｅｉｎｔｈｅｏｒｉｇｉｎａｌｙｏｌｏｖ５ｓｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｔｏｒｅｄｕｃｅｔｈｅｃａｌｃｕｌａｔｉｏｎｃｏｓｔａｎｄｍｏｄｅｌｐａｒａｍｅｔｅｒｓｏｆｔｈｅｄｅｔｅｃｔｉｏｎｍｏｄｅｌｏｎｔｈｅｂａｓｉｓｏｆｍａｉｎｔａｉｎｉｎｇｔｈｅｓａｍｅｐｅｒｆｏｒｍａｎｃｅ；Ｓｅｃｏｎｄｌｙ，ｔｈｅｖｉｓｉｏｎｔｒａｎｓｆｏｒｍｅｒｓｔｒｕｃｔｕｒｅｉｓａｄｄｅｄｔｏｔｈｅｂａｃｋｂｏｎｅｎｅｔｗｏｒｋｏｆｔｈｅｏｒｉｇｉｎａｌｙｏｌｏｖ５ｓｍｏｄｅｌｔｏｒｅｄｕｃｅｔｈｅｄｅｐｅｎｄｅｎｃｅｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｉｍｐｒｏｖｅｔｈｅａｂｉｌｉｔｙｔｏｏｂｔａｉｎｇｌｏｂａｌａｎｄｌｏｃａｌｆｅａｔｕｒｅｓ；Ｆｉｎａｌｌｙ，ｔｈｅｃｏｏｒｄｉｎａｔｅｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｉｎｔｒｏｄｕｃｅｄｔｏｅｆｆｅｃｔｉｖｅｌｙｅｘｔｒａｃｔｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎａｎｄｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｄｅｔｅｃｔｉｏｎ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐａｒａｍｅｔｅｒｓｏｆｔｈｅｐｒｏｐｏｓｅｄｆｉｒｅｓｍｏｋｅｄｅｔｅｃｔｉｏｎｍｏｄｅｌａｒｅｒｅｄｕｃｅｄｂｙ１８％，ｔｈｅａｃｃｕｒａｃｙｉｓｉｍｐｒｏｖｅｄｂｙ３．１２％，ａｎｄｔｈｅｄｅｔｅｃｔｉｏｎｓｐｅｅｄｉｓｉｍｐｒｏｖｅｄｂｙ２０％，ｗｈｉｃｈｃａｎｍｅｅｔｔｈｅｆｉｒｅｓｍｏｋｅｄｅｔｅｃｔｉｏｎｉｎｔｈｅａｃｔｕａｌｓｃｅｎｅ．ʌＫｅｙｗｏｒｄｓɔｆｉｒｅｓｍｏｋｅｄｅｔｅｃｔｉｏｎ；ＹＯＬＯｖ５ｓ；ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ；ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ基金项目：国家自然科学基金（６１３６１０１２）；贵州省科技计划项目（黔科合平台人才［２０１７］５７８８）㊂作者简介：蔡㊀静（１９９７－），女，硕士研究生，主要研究方向：电路与系统㊁目标检测；张㊀讚（１９９７－），男，硕士研究生，主要研究方向：高性能计算；冉光金（１９９７－），男，硕士研究生，主要研究方向：神经网络压缩㊁电路与系统；李㊀震（１９８７－），男，博士，高级实验师，主要研究方向：电路与系统㊁密码学；李良荣（１９６３－），男，学士，教授，主要研究方向：电路与系统㊂通讯作者：李良荣㊀㊀Ｅｍａｉｌ：ｌｒｌｉ＠ｇｚｕ．ｅｄｕ．ｃｎ收稿日期：２０２２－０６－１５０㊀引㊀言火灾是造成环境问题㊁人员伤亡和经济损失的重大灾害之一㊂在国外许多地方，火灾的面积和强度都以惊人的速度增加㊂这不仅仅是火灾数量在增加，火灾的性质也在发生变化，尤其是在巴西和澳大利亚㊂例如， 地球之肺 亚马逊雨林发生的大火，已烧毁了总计４９２０平方公里的雨林，面积超过５０万个足球场，给人类和自然环境带来了难以估量的破坏㊂因此，为了有效控制和减轻火灾，对火灾的萌发进行预警尤为重要㊂对于火灾的预警，与火灾火焰相比，烟雾出现时间更早，传播速度更快，体积更大，更易于识别㊂传统的烟雾检测主要是基于对纹理㊁温度㊁颜色㊁运动特征和空气透明度的分析［１］，最常见的烟雾探测器是基于红外／紫外摄像头㊂基于此，ＤｅｌｄｊｏｏＹ等人［２］使用稳健的烟雾特征评估方法区分烟雾和非烟雾运动对象，利用模糊推理系统，以模糊化的方式将烟雾特征结合起来进行最终评估，并决定何时发出火灾警报㊂ＪＱｉａｎ等人［３］利用延时参数改进高斯混合模型提取候选烟雾区域，通过烟雾的面积变化率和运动方式等运动特征，从候选区域中选择烟雾区域㊂ＹｕａｎＦ等人［４］利用Ｇａｂｏｒ网络对烟雾图像进行识别以及对其纹理信息进行分类㊂殷梦霞等人［５］利用烟雾图像块的ＨＳＶ（Ｈｕｅ㊁Ｓａｔｕｒａｔｉｏｎ㊁Ｖａｌｕｅ）颜色特征㊁能量特征等物理特征，提出了基于多特征融合的自适应烟雾检测算法㊂刘长春等人［６］根据可见光视频图像处理原理，以及烟雾块的纹理特征㊁ＨＳＶ颜色空间等物理特征，提出了一种基于局部区域图像动态特征的林火视频烟雾检测方法㊂王伟刚等人［７］提出一种ＴＤＦＦ（ＴｒｉｐｌｅＭｕｌｔｉＦｅａｔｕｒｅＬｏｃａｌＢｉｎａｒｙＰａｔｔｅｒｎｓａｎｄＤｅｒｉｖａｔｉｖｅＧａｂｏｒＦｅａｔｕｒｅＦｕｓｉｏｎ）的烟雾检测算法，采用Ｔ－ＭＦＬＢＰ（ＴｒｉｐｌｅＭｕｌｔｉ－ＦｅａｔｕｒｅＬｏｃａｌＢｉｎａｒｙＰａｔｔｅｒｎｓ）算法获得烟雾的纹理特征，利用高斯核函数进一步优化图像边缘灰度信息，最后对融合后的特征进行训练，对烟雾区域进行识别㊂但是，当背景复杂以及影响因数较多时，传统的检测算法会受到限制㊂由于烟雾为非刚性物体，其形状㊁颜色和纹理等物理特征容易随时间变化，导致无法提取烟雾的最本质特征［８］，且传统的烟雾检测传感器大多用于室内，难以在森林和草原等户外场景中发挥有效作用，有时也会有较高的错检率以及误警率［９］㊂得益于各种人工智能领域的进步，图像处理和计算机视觉等基于视觉的研究领域已经取得了一定的成果，基于计算机视觉的火灾烟雾检测模型也通过这些技术得到了改进㊂与传统的检测模型相比，基于计算机视觉的火灾检测模型在成本㊁准确性㊁鲁棒性和可靠性等方面都具有许多优势㊂Ｚｈａｎｇ［１０］和张倩［１１］等人利用ＦａｓｔｅｒＲ－ＣＮＮ对烟雾图像进行识别检测㊂ＬｅｅＹ等人［１２］利用三帧差分算法和均方误差获得输入帧图像，通过ＦａｓｔｅｒＲ－ＣＮＮ提取火焰和烟雾候选区域，最后利用局部ＨＳＶ和ＲＧＢ颜色直方图，确定最终的火灾和烟雾区域㊂谢书翰等人［１３］通过改进ＹＯＬＯｖ４模型对火灾烟雾图片进行了检测识别㊂ＳａｐｏｎａｒａＳ等人［１４］提出了一个非常轻量级的神经网络ＦｉｒｅＮｅｔ，开发了一个物联网（ＩｏＴ）火灾探测单元取代当前基于物理传感器的火灾探测器，在ＲａｓｐｂｅｒｒｙＰｉ３Ｂ等嵌入式设备上进行训练；联合物联网功能允许探测单元在发生火灾紧急情况时，向用户提供实时视觉反馈和火灾警报㊂刘丽娟等人［１５］通过改进ＳＳＤ算法对火灾烟雾图像进行识别㊂叶寒雨等人［１６］将光流估计与ＹＯＬＯｖ４算法结合，提出了ＳｍｏｋｅＮｅｔ算法对烟雾进行检测㊂基于计算机视觉的检测算法虽然在精度和速度上都有所提高，但是当背景复杂㊁检测目标距离较远时，仍然存在漏检以及错检等问题㊂针对以上问题，本文提出一种基于改进的ＹＯＬＯｖ５ｓ的火灾烟雾检测算法，在ＹＯＬＯｖ５ｓ的骨干网上引入ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ模块，增强其特征提取能力；使用ＧｈｏｓｔＢｌｏｃｋ卷积代替常规卷积，减少模型参数和计算量㊂实验结果表明，该算法的检测性能均提高且模型参数显著减少㊂１㊀相关工作㊀㊀根据型号的大小，ＹＯＬＯｖ５分为ＹＯＬＯｖ５ｓ㊁ＹＯＬＯｖ５ｍ㊁ＹＯＬＯｖ５ｌ和ＹＯＬＯｖ５ｘ４个版本㊂模型越大，单个图像的精度越高，检测时间越长㊂由于４种版本只是在其模型宽度和深度的不同，且对于火灾烟雾检测而言，不仅对检测精度有极高的要求，对检测速度也要求实现实时检测，所以选用ＹＯＬＯｖ５ｓ作为本文的基本检测模型㊂ＹＯＬＯｖ５ｓ在数据输入端使用了Ｍｏｓａｉｃ数据增强［１７］㊁自适应锚计算和自适应图像缩放等技术，来提高对小目标的检测㊂主干使用了跨阶段局部网络（ＣＳＰ）［１８］结构，提取输入图像特征，头部主要解决从主干提取特征映射的定位问题，并执行类概率预测㊂Ｎｅｃｋ结构由特征金字塔网络（ＦＰＮ）［１９］和路径聚合网络（ＰＡＮ）［２０］组成，Ｎｅｃｋ结构是连接主干和头部的部分，主要是对特征图进行细化和重构㊂此外ＹＯＬＯｖ５ｓ的Ｎｅｃｋ结构中，还借鉴了ＣＳＰＮｅｔ中设计的ＣＳＰ２＿Ｘ结构，加强网络特征融合的能力［２１］㊂ＹＯＬＯｖ５ｓ的网络结构如图１所示，ＹＯＬＯｖ５ｓ结构中的组件结构如图２所示㊂C B S C B S C3C B S C3C B S C3C B S C3S P P F C B S U p s a m p l eC3C B S U p s a m p l eConcatC B SC B SConcatConcatConcatC3C3C3C O N VC O N VC O N Vo u t p u to u t p u to u t p u t图１㊀ＹＯＬＯｖ５ｓ结构Ｆｉｇ．１㊀ＹＯＬＯｖ５ｓｓｔｒｕｃｔｕｒｅ６７智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀C B S C o n v B N S i L uC 3C B S R e s u n i t ?NC o n c a tC B SC B SR e su n i tC B S C B S a d dS P P F C B SM a x -p o o l 2dM a x -p o o l 2dM a x -p o o l 2dC o n c a tC B S图２㊀ＹＯＬＯｖ５ｓ组件图Ｆｉｇ．２㊀ＹＯＬＯｖ５ｓｃｏｍｐｏｎｅｎｔｄｉａｇｒａｍ２㊀算法的改进２．１㊀ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块在深层网络中常规的特征提取方式会堆叠大量的卷积层，产生丰富的特征图，但是同时需要保存大量参数，占用其有限内存，不利于在嵌入式设备上部署网络模型㊂本文使用一种ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块［２２］替换原网络中的常规卷积模块，可以通过较少的参数来提取特征㊂与常规卷积相比，在不改变输出特征映射大小的情况下，该ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块所需的参数和计算量都有所降低，其结构如图３所示㊂I d e n t i t y O u t p u tC o n vI n p u t1 2 K图３㊀ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块Ｆｉｇ．３㊀ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎｍｏｄｕｌｅ㊀㊀ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块通过常规卷积生成几个固有的特征映射，然后使用线性运算来扩展特征和增加通道㊂给定输入数据ＸɪＲｃˑｈˑｗ，其中ｃ为输入通道数，ｈ㊁ｗ是Ｘ的高度和宽度，任意卷积层生成特征图的操作可表示为Ｙ＝Ｘ∗ｆ＋ｂ（１）式中：∗表示卷积运算，ｂ表示偏差，ＹɪＲｈᶄˑｗᶄˑｎ是具有ｎ个通道的输出特征图，ｆɪＲｃˑｋˑｋˑｎ是这一层中的卷积滤波器㊂此外，ｈᶄ和ｗᶄ表示输出特征图Ｙ的高度和宽度，ｋˑｋ表示ｆ的核大小㊂㊀㊀使用常规卷积生成ｍ个固有特征图的操作可表示为Ｙᶄ＝Ｘ∗ｆᶄ（２）㊀㊀其中，ｆᶄɪＲｃˑｋˑｋˑｍ（ｍɤｎ）表示所用滤波器，滤波器的大小㊁填充㊁步幅等超参数与式（１）中的常规卷积相同㊂对ｙ中每个固有的特征图进行线性运算，生成ｓ个Ｇｈｏｓｔ特征，其计算公式可表示为ｙｉｊ＝Φｉ，ｊ（ｙᶄｉ），∀ｉ＝１， ，ｍ，ｊ＝１， ，ｓ，（３）式中：ｙᶄｉｊ是Ｙᶄ中的第ｉ个特征图，Φｉ，ｊ是用于生成第ｊ个Ｇｈｏｓｔ特征图ｙｉｊ的第ｊ个线性运算，Φｉ，ｓ用于保存内在特征映射的恒等映射㊂由公式（３）得到ｎ＝ｍ㊃ｓ个特征图Ｙ＝ｙ１１，ｙ１２，，ｙｍｓ作为Ｇｈｏｓｔ模块的输出数据㊂２．２㊀网络改进２．２．１㊀ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ模块在机器视觉领域中，为了改善卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）［２３］在低层特征依赖关系范围较大时存在的局限性㊂ＤｏｓｏｖｉｔｓｋｉｙＡ等人［２４］在Ｔｒａｎｓｆｏｒｍｅｒ的基础上提出了ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ㊂与ＣＮＮ网络不同，ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ在获取全局信息能力上很强大，将ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ与ＣＮＮ模型结合，通过自注意力机制改善底层特征提取㊂ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ网络模块结构如图４所示㊂㊀㊀为了将图片转换为标准的Ｔｒａｎｓｆｏｒｍｅｒ编码器，用于处理序列数据，将输入二维图像ｘɪＲＨˑＷˑＣ分割成固定大小的图片ｘｐɪＲＮˑ（Ｐ２㊃Ｃ）㊂其中（Ｈ，Ｗ）是原始图像的分辨率，Ｃ表示通道数，（Ｐ，Ｐ）是每个图片块（ｐａｔｃｈ）的分辨率，Ｎ＝ＨＷ／Ｐ表示获得的图７７第５期蔡静，等：基于改进ＹＯＬＯｖ５ｓ的火灾烟雾检测算法研究片块总数，其也用作变换器的有效输入序列长度；然后线性嵌入每个面片，添加位置嵌入，并将生成的矢量序列提供给标准的Ｔｒａｎｓｆｏｒｍｅｒ编码器；再将Ｔｒａｎｓｆｏｒｍｅｒ的第一个输出送入ＭＬＰＨｅａｄ得到预测结果㊂此外，在输入的序列数据之前添加了一个分类标志位（ｃｌａｓｓ），可以更好地表示全局信息㊂L i n e a r P r o j e c t i o n o f F l a t t e n e d P a t c h e si n p u tT r a n s f o r m e r E n c o d e rM L PH e a dC l a s s0123456789P a t c h +P o s i t i o nE m b e d d i n g*E x t r a l e a m a b l e [c l a s s ]e m b e d d i n g图４㊀ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ模块Ｆｉｇ．４㊀ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒｍｏｄｕｌｅ２．２．２㊀嵌入ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ注意力在某些情况下，摄像头捕捉到的物体图像较小，而Ｙｏｌｏｖ５ｓ模型对小目标的检测效果欠佳，此时模型预测易受颜色㊁亮度等因素的影响㊂因此，本文引入ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ注意力机制［２５］，可以有效地提高骨干网络的特征提取能力，进一步提升准确率㊂ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ模块可以视为一个计算单元，有效提升网络的表达能力，并且可以充分利用捕获的位置信息，从而准确地定位感兴趣的区域㊂ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ注意力的实现过程如图５所示㊂XA v g P o o l YA v g P o o l C o n c a t +C o n v 2dB a t c h N o r m +N o n -L i n e a rC o n v 2d C o n v 2d S i g m o i dS i g m o i dC ?1?WC ?1?W C /r ?1?(W +H )C /r ?1?(W +H )C ?1?WC ?H ?WC ?H ?1C ?H ?1C ?H ?1O u t p u tR e -w e i g h tR e s i d u a lI n p u t C ?H ?W图５㊀ＣＡ模块结构图Ｆｉｇ．５㊀ＣＡｍｏｄｕｌｅｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍ㊀㊀ＣｏｏｒｄｉｎａｔｅＡｔｔｅｎｔｉｏｎ注意力为了获取输入图像全局上的注意力，并对每个通道信息进行编码㊂首先将输入特征图分为宽度和高度两个方向进行全局平均池化，获得在宽度和高度两个方向的特征图㊂其中，分别逐通道使用两个大小为（Ｈ，１）和（Ｗ，１）池化核，在高度为ｈ的第ｃ个通道的输出可表示为ｚｈｃ（ｈ）＝１Ｗð０ɤｉ＜Ｗｘｃ（ｈ，ｉ）（４）㊀㊀其中，ｚｈｃ（ｈ）表示在高度为ｈ的第ｃ个通道的输出特征图㊂㊀㊀同样，在宽度为ｗ的第ｃ个通道的输出特征图ｚｗｃ（ｗ）可以表示为ｚｗｃ（ｗ）＝１Ｈð０ɤｊ＜Ｈｘｃ（ｊ，ｗ）（５）㊀㊀通过式（４）㊁式（５）获得全局感受野并编码精确的位置信息，两种变换分别沿空间两个方向聚合特征，生成一对特征映射张量，这有助于网络更准确地定位感兴趣的对象㊂随后将两个方向的特征图进行融合，使用大小为１ˑ１的卷积模块，把维度降低为原来的Ｃ／ｒ，再通过批量归一化处理送入非线性激活函数中获得输出特征图，如式（６）：ｆ＝δ（Ｆ１（［ｚｈ，ｚｗ］））（６）㊀㊀其中，［㊃，㊃］表示沿空间维度的融合操作，Ｆ１为１ˑ１卷积，ｆɪＲＣ／ｒˑ（Ｈ＋Ｗ）表示在水平方向和垂直方向上编码空间信息的中间特征图，δ是非线性激活函数，ｒ表示下采样比例㊂然后沿着空间维度将ｆ分解成两个独立的张量ｆｈɪＲＣ／ｒˑＨ和ｆｗɪＲＣ／ｒˑＷ，再使用两个１ˑ１卷积Ｆｈ和Ｆｗ将特征图变换为与输入Ｘ相同数量的通道㊂得到结果如式（７）㊁式（８）：ｇｈ＝δ（Ｆｈ（ｆｈ））（７）ｇｗ＝δ（Ｆｗ（ｆｗ））（８）式中：δ为Ｓｉｇｍｏｉｄ函数，ｇｈ㊁ｇｗ分别用作两个空间上注意力的权重㊂最后在原始特征图上通过乘法加权计算，将得到在宽度和高度方向上带有注意力权重的特征图，如式（９）：ｙｃ（ｉ，ｊ）＝ｘｃ（ｉ，ｊ）ˑｇｈｃ（ｉ）ˑｇｗｃ（ｊ）（９）２．３㊀改进算法结构本文将改进模块加入到ＹＯＬＯｖ５ｓ模型中，优化结构如图６所示㊂㊀㊀图７中，ＧＢＳ表示使用ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块替换原网络中的常规卷积模块的结构图，Ｃ３＿ＴＲ表示使用Ｔｒａｎｓｆｏｒｍｅｒ替换原ＣＳＰ结构中的Ｒｅｓｕｎｉｔ模块的结构图㊂８７智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀o u t p u to u t p u to u t p u tC O N V C O N V C 3C AC 3C AC 3C AC o n c a tC o n c a tG B SG B S G B SC 3U p s a m p l eU p s a m p l eC o n c a tC o n c a tC 3_T RG B S G B S S P P F C B S G B S C 3G B S C 3C O N V G B S图６㊀改进后的结构Ｆｉｇ．６㊀ＩｍｐｒｏｖｅｄｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍC 3_T RC B S T r a n s f o r m e rG B SG h o s tB NS i L uC B SC B SC o n c a t图７㊀改进结构图的组件图Ｆｉｇ．７㊀Ｃｏｍｐｏｎｅｎｔｄｉａｇｒａｍｏｆｉｍｐｒｏｖｅｄｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍ３㊀实验对比３．１㊀实验环境实验的操作系统为ｗｉｎｄｏｗｓ７系统，训练框架为ＰｙＴｏｒｃｈ１．７．１㊂ＣＰＵ为８ＧＢＲＡＭ的Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７－６７００ｋ＠４．００ＧＨｚ，ＧＰＵ为ＮＶＩＤＩＡＧｅＦｏｒｃｅＧＴＸ９７０㊂３．２㊀火灾烟雾数据集由于公开的火灾烟雾数据集较少，通过互联网采集数据，最终经过清洗获得２０１１４张图片，随机选取１８２８７张作为训练集，１８２７张作为测试集㊂数据集图像包含建筑㊁草原㊁森林㊁车辆起火４种场景，并且涵盖白天㊁黑夜以及其它背景干扰因素㊂数据集中部分火灾烟雾如图８所示㊂图８㊀部分数据集Ｆｉｇ．８㊀ＰａｒｔｉａｌＤａｔａｓｅｔ３．３㊀评价指标实验使用召回率（Ｒｅｃａｌｌ）㊁精准率（Ｐｒｅｃｉｓｉｏｎ）㊁平均精度ＡＰ（ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ）㊁平均精度均值ｍＡＰ（ｍｅａｎＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ）来评价检测模型准确性㊂评价指标计算公式如下：Ｐｒｅｃｉｓｉｏｎ＝ＴＰＴＰ＋ＦＰ（１０）Ｒｅｃａｌｌ＝ＴＰＴＰ＋ＦＮ（１１）９７第５期蔡静，等：基于改进ＹＯＬＯｖ５ｓ的火灾烟雾检测算法研究ＡＰ＝ʏ１０ｐ（ｒ）ｄｒ（１２）ｍＡＰ＝１ｍðｍｉ＝１ＡＰＩ（１３）㊀㊀其中，ｍ表示样本类别数；ｐ（ｒ）表示Ｐｒｅｃｉｓｉｏｎ以ｒｅｃａｌｌ为参数的一个函数；ＴＰ（ＴｒｕｅＰｏｓｉｔｉｖｅｓ）是指被正确识别的正样本；ＴＮ（ＴｒｕｅＮｅｇａｔｉｖｅｓ）为被正确识别的负样本；ＦＰ（ＦａｌｓｅＰｏｓｉｔｉｖｅｓ）表示负样本被错误识别为正样本；ＦＮ（ＦａｌｓｅＮｅｇａｔｉｖｅｓ）表示正样本被错误识别为负样本㊂３．４㊀实验结果与分析本文主要从实际检测结果图进行对比分析，检测对比数据见表１，实际检测结果如图９㊁图１０所示㊂表１㊀改进前后算法测试结果对比表Ｔａｂ．１㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｅｓｔｒｅｓｕｌｔｓｂｅｆｏｒｅａｎｄａｆｔｅｒｔｈｅｉｍｐｒｏｖｅｍｅｎｔ模型ＰｒｅｃｉｓｉｏｎＲｅｃａｌｌｍＡＰ速度／（帧㊃ｓ－１）模型参数／ＭＹＯＬＯｖ５ｓ８０．４１６２．７１７１．８２４１７．０６本文８３．５２６３．３４７２．５５５０５．８７图９㊀ＹＯＬＯｖ５ｓ检测结果Ｆｉｇ．９㊀Ｙｏｌｏｖ５ｓｔｅｓｔｒｅｓｕｌｔｃｈａｒｔ图１０㊀改进ＹＯＬＯｖ５ｓ检测结果Ｆｉｇ．１０㊀ＩｍａｇｅｏｆｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｓｔｅｓｔｒｅｓｕｌｔｓ㊀㊀表１中，ｍＡＰ为ｍＡＰ＠０．５值㊂通过测试结果可以得出，改进后ｍＡＰ提高了０．７３％，检测速度提高了２２．５％，模型参数比原网络参数减少了１７％㊂通过图９㊁图１０对比结果可知，改进后的ＹＯＬＯｖ５ｓ模型在不同场景中对烟雾㊁火焰目标算法都可以有效地解决原ＹＯＬＯｖ５ｓ存在的漏检㊁错检㊂在相同的运算环境下，将深度学习算法ＹＯＬＯｖ４－Ｔｉｎｙ㊁传统单阶段算法ＳＳＤ㊁原网络ＹＯＬＯｖ５ｓ同本文算法进行比较分析㊂算法的对比结果见表２㊂表２㊀检测算法测试结果对比表Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｔａｂｌｅｏｆｔｅｓｔｒｅｓｕｌｔｓｏｆｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ模型ＰｒｅｃｉｓｉｏｎＲｅｃａｌｌｍＡＰ速度／（帧㊃ｓ－１）ＳＳＤ７５．３４５１．４３６１．３２２３Ｍｏｂｉｌｅｎｅｔｖ２－ＳＳＤ８２．８２５８．４３７１．３４３８ＹＯＬＯｖ４－ｔｉｎｙ８５．２０４７．８７６７．１０６２ＹＯＬＯｖ５ｓ８０．４１６２．７１７１．８２４１本文８３．５２６３．３４７２．５５５０㊀㊀由表２可见，在检测精度和检测速度上，ＹＯＬＯｖ４－ｔｉｎｙ检测算法相对本文改进的模型有一定的优势，而检测速度的快慢与算法的模型参数量等因素成反比，即模型参数量越小，检测速度则越快㊂ＹＯＬＯｖ４－ｔｉｎｙ是ＹＯＬＯｖ４的轻量化网络架构，极大地减少了模型参数量以及降低了模型的计算量，提高了检测速度，但是该算法的总体性能略低㊂通过对比实验可以看出，本文算法总体上优于其它几种算法，该检测算法在实际工程应用中更具优势㊂４㊀结束语本文提出了一种基于ＹＯＬＯｖ５ｓ的火灾烟雾检测模型，在ＹＯＬＯｖ５ｓ模型的基础上进行优化，并引入注意力机制㊁ＶｉｓｉｏｎＴｒａｎｓｆｏｒｍｅｒ模块提高检测精度，解决目标漏检和错检等问题；引入ＧｈｏｓｔＣｏｎｖｏｌｕｔｉｏｎ模块，减少模型参数，提高火灾烟雾检测算法的性能㊂与同一环境下的其他检测模型相比，改进后的模型在识别精度和速度上都有良好优势㊂但是，本文的召回率还有很大的进步空间，在之后的工作中，在保证准确率的条件下，提升召回率；其次，还应扩充火灾烟雾数据集，丰富火灾烟雾检测场景，增强火灾烟雾图片质量㊂参考文献［１］ＣＨＥＮＴＨ，ＫＡＯＣＬ，ＣＨＡＮＧＳＭ．Ａｎｉｎｔｅｌｌｉｇｅｎｔｒｅａｌ－ｔｉｍｅ０８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀ｆｉｒｅ－ｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｖｉｄｅｏｐｒｏｃｅｓｓｉｎｇ［Ｃ］／／ＩＥＥＥ３７ｔｈＡｎｎｕａｌ２００３ＩｎｔｅｒｎａｔｉｏｎａｌＣａｒｎａｈａｎＣｏｎｆｅｒｅｎｃｅｏｎＳｅｃｕｒｉｔｙＴｅｃｈｎｏｌｏｇｙ，２００３．Ｐｒｏｃｅｅｄｉｎｇｓ．ＩＥＥＥ，２００３：１０４－１１１．［２］ＤＥＬＤＪＯＯＹ，ＮＡＺＡＲＹＦ，ＦＯＴＯＵＨＩＡＭ．Ａｎｏｖｅｌｆｕｚｚｙ－ｂａｓｅｄｓｍｏｋｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｕｓｉｎｇｄｙｎａｍｉｃａｎｄｓｔａｔｉｃｓｍｏｋｅｆｅａｔｕｒｅｓ［Ｃ］／／２０１５２３ｒｄＩｒａｎｉａｎＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ．ＩＥＥＥ，２０１５：７２９－７３３．［３］ＱＩＡＮＪ，ＦＵＪ，ＱＩＡＮＪ，ｅｔａｌ．Ａｕｔｏｍａｔｉｃｅａｒｌｙｆｏｒｅｓｔｆｉｒｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｇａｕｓｓｉａｎｍｉｘｔｕｒｅｍｏｄｅｌ［Ｃ］／／２０１８ＩＥＥＥ１８ｔｈｉｎｔｅｒｎａｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｍｕｎｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｙ（ＩＣＣＴ）．ＩＥＥＥ，２０１８：１１９２－１１９６．［４］殷梦霞，王理，孙连营．基于多特征融合的自适应烟雾检测算法［Ｊ］．建筑科学，２０１９，３５（９）：２６－３１．［５］ＬＵＸ，ＺＨＡＮＧＸ，ＬＩＦ，ｅｔａｌ．ＤｅｔｅｃｔｉｏｎｏｆＦｉｒｅＳｍｏｋｅＰｌｕｍｅｓＢａｓｅｄｏｎＡｅｒｏｓｏｌＳｃａｔｔｅｒｉｎｇＵｓｉｎｇＶＩＩＲＳＤａｔａｏｖｅｒＧｌｏｂａｌＦｉｒｅ－ＰｒｏｎｅＲｅｇｉｏｎｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（２）：１９６．［６］刘长春，刘鹏举，季烨云．基于视频区域动态特征的林火烟雾检测技术研究［Ｊ］．北京林业大学学报，２０２１，４３（１）：１０－１９．［７］王韦刚，王炳蔚，张云伟．ＴＤＦＦ：一种强鲁棒性的烟雾图像检测算法［Ｊ］．激光与光电子学进展，２０２１，５８（４）：２７３－２８０．［８］朱弥雪，刘志强，张旭，等．林火视频烟雾检测算法综述［Ｊ／ＯＬ］．计算机工程与应用：１－１３［２０２２－０５－２０］．ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２１２７．［９］ＴＡＮＧＹ，ＧＥＬ．Ｄｅｖｅｌｏｐｍｅｎｔｏｆｓｃａｔｔｅｒｉｎｇ－ｓｔｙｌｅｉｎｆｒａｒｅｄｓｍｏｇｐｈｏｔｏｅｌｅｃｔｒｉｃｄｅｔｅｃｔｏｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ（ＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２００２，３４（４）：１１７－１２０．［１０］ＺＨＡＮＧＱＸ，ＬＩＮＧＨ，ＺＨＡＮＧＹＭ，ｅｔａｌ．ＷｉｌｄｌａｎｄＦｏｒｅｓｔＦｉｒｅＳｍｏｋｅＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＦａｓｔｅｒＲ－ＣＮＮｕｓｉｎｇＳｙｎｔｈｅｔｉｃＳｍｏｋｅＩｍａｇｅｓ［Ｊ］．ＰｒｏｃｅｄｉａＥｎｇｉｎｅｅｒｉｎｇ，２０１８，２１１：４４１－４４６．［１１］张倩，周平平，王公堂，等．基于合成图像的ＦａｓｔｅｒＲ－ＣＮＮ森林火灾烟雾检测［Ｊ］．山东师范大学学报（自然科学版），２０１９，３４（２）：１８０－１８５．［１２］ＬＥＥＹ，ＳＨＩＭＪ．Ｄｅｅｐｌｅａｒｎｉｎｇａｎｄｃｏｌｏｒｈｉｓｔｏｇｒａｍｂａｓｅｄｆｉｒｅａｎｄｓｍｏｋｅｄｅｔｅｃｔｉｏｎｒｅｓｅａｒｃｈ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌｊｏｕｒｎａｌｏｆａｄｖａｎｃｅｄｓｍａｒｔｃｏｎｖｅｒｇｅｎｃｅ，２０１９，８（２）：１１６－１２５．［１３］谢书翰，张文柱，程鹏，等．嵌入通道注意力的ＹＯＬＯｖ４火灾烟雾检测模型［Ｊ］．液晶与显示，２０２１，３６（１０）：１４４５－１４５３．［１４］ＳＡＰＯＮＡＲＡＳ，ＥＬＨＡＮＡＳＨＩＡ，ＧＡＧＬＩＡＲＤＩＡ．Ｒｅａｌ－ｔｉｍｅｖｉｄｅｏｆｉｒｅ／ｓｍｏｋｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎＣＮＮｉｎａｎｔｉｆｉｒｅｓｕｒｖｅｉｌｌａｎｃｅｓｙｓｔｅｍｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＲｅａｌ－ＴｉｍｅＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０２１，１８（３）：８８９－９００．［１５］刘丽娟，陈松楠．一种基于改进ＳＳＤ的烟雾实时检测模型［Ｊ］．信阳师范学院学报（自然科学版），２０２０，３３（２）：３０５－３１１．［１６］叶寒雨，李传昌，刘淼，等．基于稠密光流和目标检测的烟雾检测算法［Ｊ／ＯＬ］．电光与控制：１－７［２０２２－０５－２０］．ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／４１．１２２７．ｔｎ．２０２２０３１４．１２０５．００６．ｈｔｍｌ．［１７］ＢＯＣＨＫＯＶＳＫＩＹＡ，ＷＡＮＧＣＹ，ＬＩＡＯＨＹＭ．Ｙｏｌｏｖ４：Ｏｐｔｉｍａｌｓｐｅｅｄａｎｄａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：２００４．１０９３４，２０２０．［１８］ＷＡＮＧＣＹ，ＬＩＡＯＨＹＭ，ＷＵＹＨ，ｅｔａｌ．ＣＳＰＮｅｔ：ＡｎｅｗｂａｃｋｂｏｎｅｔｈａｔｃａｎｅｎｈａｎｃｅｌｅａｒｎｉｎｇｃａｐａｂｉｌｉｔｙｏｆＣＮＮ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｗｏｒｋｓｈｏｐｓ．２０２０：３９０－３９１．［１９］ＬＩＸ，ＬＡＩＴ，ＷＡＮＧＳ，ｅｔａｌ．Ｗｅｉｇｈｔｅｄｆｅａｔｕｒｅｐｙｒａｍｉｄｎｅｔｗｏｒｋｓｆｏｒｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１９ＩＥＥＥＩｎｔｌＣｏｎｆｏｎＰａｒａｌｌｅｌ＆ＤｉｓｔｒｉｂｕｔｅｄＰｒｏｃｅｓｓｉｎｇｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，ＢｉｇＤａｔａ＆ＣｌｏｕｄＣｏｍｐｕｔｉｎｇ，ＳｕｓｔａｉｎａｂｌｅＣｏｍｐｕｔｉｎｇ＆Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，ＳｏｃｉａｌＣｏｍｐｕｔｉｎｇ＆Ｎｅｔｗｏｒｋｉｎｇ（ＩＳＰＡ／ＢＤＣｌｏｕｄ／ＳｏｃｉａｌＣｏｍ／ＳｕｓｔａｉｎＣｏｍ）．ＩＥＥＥ，２０１９：１５００－１５０４．［２０］ＬＩＵＳ，ＱＩＬ，ＱＩＮＨ，ｅｔａｌ．Ｐａｔｈａｇｇｒｅｇａｔｉｏｎｎｅｔｗｏｒｋｆｏｒｉｎｓｔａｎｃｅｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ．２０１８：８７５９－８７６８．［２１］王立辉．基于卷积神经网络的行人检测与跟踪算法研究［Ｄ］．湖北：武汉科技大学，２０２１．［２２］ＫＥＴＫＡＲＮ．Ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｍ］．ＤｅｅｐＬｅａｒｎｉｎｇｗｉｔｈＰｙｔｈｏｎ．Ａｐｒｅｓｓ，Ｂｅｒｋｅｌｅｙ，ＣＡ，２０１７：６３－７８．［２３］ＨＡＮＫ，ＷＡＮＧＹ，ＴＩＡＮＱ，ｅｔａｌ．ＧｈｏｓｔＮｅｔ：ＭｏｒｅＦｅａｔｕｒｅｓＦｒｏｍＣｈｅａｐＯｐｅｒａｔｉｏｎｓ［Ｃ］／／２０２０ＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ），２０２０：１５７７－１５８６．［２４］ＤＯＳＯＶＩＴＳＫＩＹＡ，ＢＥＹＥＲＬ，ＫＯＬＥＳＮＩＫＯＶＡ，ｅｔａｌ．Ａｎｉｍａｇｅｉｓｗｏｒｔｈ１６ˑ１６ｗｏｒｄｓ：Ｔｒａｎｓｆｏｒｍｅｒｓｆｏｒｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎａｔｓｃａｌｅ［Ｊ］．ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：２０１０．１１９２９，２０２０．［２５］ＨＯＵＱ，ＺＨＯＵＤ，ＦＥＮＧＪ．Ｃｏｏｒｄｉｎａｔｅａｔｔｅｎｔｉｏｎｆｏｒｅｆｆｉｃｉｅｎｔｍｏｂｉｌｅｎｅｔｗｏｒｋｄｅｓｉｇｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０２１：１３７１３－１３７２２．（上接第７４页）［９］牛群峰，袁强，靳毅，等．基于改进ＶＧＧ－１６卷积神经网络的烟丝类型识别［Ｊ］．国外电子测量技术，２０２２，４１（９）：１４９－１５４．［１０］陈嘉，季雪，阙云，等．改进型ＶＧＧ算法对小样本路面破损的分类识别［Ｊ／ＯＬ］．湖南大学学报（自然科学版）：１－１１［２０２３－０３－２０］．ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／４３．１０６１．Ｎ．２０２２１２０１．１２５９．００１．ｈｔｍｌ．［１１］季菁菁，奚峥皓，李忠峰．基于深度迁移学习的煤岩显微组分识别算法［Ｊ］．智能计算机与应用，２０２３，１３（２）：９２－９７，１０２．［１２］王桂平，陈旺桥，杨建喜，等．基于迁移学习的桥梁表观病害检测技术研究［Ｊ］．铁道科学与工程学报，２０２２，１９（６）：１６３８－１６４６．［１３］周义飏．基于ＶＧＧ的人脸表情识别与分类［Ｊ］．智能计算机与应用，２０２１，１１（９）：３５－４１．［１４］张士豹，王文韬．基于改进ＶＧＧ模型的人脸表情识别研究［Ｊ］．现代信息科技，２０２１，５（２３）：１００－１０３．［１５］王江晴，冀星，莫海芳，等．基于轻量化ＶＧＧ的植物病虫害识别［Ｊ］．中国农机化学报，２０２２，４３（４）：２５－３１．［１６］周安众，罗可．一种卷积神经网络的稀疏性Ｄｒｏｐｏｕｔ正则化方法［Ｊ］．小型微型计算机系统，２０１８，３９（８）：１６７４－１６７９．［１７］ＧＯＬＬＥＰ．ＭａｃｈｉｎｅｌｅａｒｎｉｎｇａｔｔａｃｋｓａｇａｉｎｓｔｔｈｅＡｓｉｒｒａＣＡＰＴＣＨＡ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１５ｔｈＡＣＭｃｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒａｎｄｃｏｍｍｕｎｉｃａｔｉｏｎｓｓｅｃｕｒｉｔｙ．２００８：５３５－５４２．１８第５期蔡静，等：基于改进ＹＯＬＯｖ５ｓ的火灾烟雾检测算法研究。
基于深度学习的火灾预警系统研究
基于深度学习的火灾预警系统研究前言在我们的日常生活中，火灾是一种常见而又危险的灾害。
据统计，全球每年火灾造成的人员伤亡和财产损失令人惊惧。
因此，建立一种可靠的火灾预警系统对于人们来说是至关重要的。
本文将专注于基于深度学习的火灾预警系统的研究。
第一章：深度学习技术概述深度学习是一种机器学习的分支，是一种基于多层神经网络的算法。
它通过学习具有多个层次的表示，不断提高分类或预测某个数据集的能力。
深度学习技术由于其强大的表征能力、自适应性和高可靠性而成为近年来最受关注和热门的计算机技术之一。
第二章：火灾预警技术概述传统的火灾预警技术主要包括温度和烟雾探测器。
但是，这些传感器并不能完全保证火灾的预警准确性，尤其是在某些特殊情形下（如高温、高湿度等），传统的火灾预警系统的工作效率也会大大降低。
因此，开发一种具有更高预警准确率的火灾预警系统显得格外重要。
第三章：基于深度学习的火灾预警系统构建1.数据采集为了建立一个可靠的火灾预警系统，首先需要采集大量的火灾图像和视频数据，并运用深度学习技术对数据进行分析和处理。
这个过程中，需要注意数据的质量和完整性，以确保预警系统的准确性和稳定性。
2.数据处理数据处理是深度学习系统的重要组成部分。
在数据处理过程中，需要使用卷积神经网络（CNN）对图像、视频进行识别和分类分析。
同时，需要使用循环神经网络（RNN）对预警系统中的声音和语音进行处理，确保预警系统的可靠性和稳定性。
3.模型训练模型训练是深度学习技术中最重要的一步。
基于大量的采集数据和预处理数据，建立的立足于深度学习的火灾预警系统需要通过模型训练来完善自身功能和性能。
通过模型训练，火灾预警系统可以更加准确地识别和分析火灾图像、视频、声音和语音，并做出相应的预警反应。
4.实时预警在模型训练后，深度学习系统可以进行实时的火灾预警。
一旦系统识别到火灾特征，它会立即触发警报，向火灾现场的人员发出提醒和预警，帮助人们迅速采取措施控制火灾。
重参数化YOLOv5s的森林火灾检测算法
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２４．０２．００６引用格式：杨武，余华云，赵昕宇，等．重参数化ＹＯＬＯｖ５ｓ的森林火灾检测算法［Ｊ］．无线电工程，２０２４，５４（２）：２８４－２９３．［ＹＡＮＧＷｕ，ＹＵＨｕａｙｕｎ，ＺＨＡＯＸｉｎｙｕ，ｅｔａｌ．ＡＦｏｒｅｓｔＦｉｒｅＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＲｅ ｐａｒａｍｅｔｅｒｉｚｅｄＹＯＬＯｖ５ｓ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２４，５４（２）：２８４－２９３．］重参数化ＹＯＬＯｖ５ｓ的森林火灾检测算法杨 武，余华云，赵昕宇，何 勇，徐红牛（长江大学计算机科学学院，湖北荆州４３４０２３）摘 要：目前森林火灾多发，建立日常监测尤为重要，但是边缘智能检测设备算力和内存较低，限制了检测模型的推理和部署。
针对以上问题，提出一种改进的重参数化ＹＯＬＯｖ５ｓ的森林火灾检测算法，结合重参数化、通道重排和深度可分离卷积（ＤｅｐｔｈｗｉｓｅＳｅｐａｒａｂｌｅＣｏｎｖｏｌｕｔｉｏｎ，ＤＳＣ）等轻量化思想分别设计新的骨干和颈部网络，增强特征提取能力，提高模型检测精度，使参数量和推理权重较大幅度减少。
为避免颈部网络的信息丢失，根据空洞卷积提出特征增强模块，增强多尺度特征融合能力。
为进一步提高模型性能，加入轻量化的ＣＡ注意力机制，更准确定位目标。
当前公开的火焰烟雾数据集存在针对性不强的问题，为了更好地提高模型的检测效率，制作了一个新的森林火灾数据集，在数据集上利用结构相似性算法剔除了相似度过高的图片，保证了模型的泛化能力。
实验结果表明，改进后的重参数化ＹＯＬＯｖ５ｓ以原网络约７６％的参数量提高了４．０％的精确度，推理权重下降至１０．５ＭＢ，更适合于设备性能差、容量小的边缘设备，提高了森林火灾巡检的效率。
关键词：森林火灾；ＹＯＬＯｖ５ｓ；重参数化；深度可分离卷积；多尺度特征融合中图分类号：ＴＰ３９１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２４）０２－０２８４－１０ＡＦｏｒｅｓｔＦｉｒｅＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＲｅ ｐａｒａｍｅｔｅｒｉｚｅｄＹＯＬＯｖ５ｓＹＡＮＧＷｕ，ＹＵＨｕａｙｕｎ，ＺＨＡＯＸｉｎｙｕ，ＨＥＹｏｎｇ，ＸＵＨｏｎｇｎｉｕ（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙ，Ｊｉｎｇｚｈｏｕ４３４０２３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔｌｙ，ｆｏｒｅｓｔｆｉｒｅｓａｒｅｆｒｅｑｕｅｎｔ．Ｉｔｉｓｐａｒｔｉｃｕｌａｒｌｙｉｍｐｏｒｔａｎｔｔｏｅｓｔａｂｌｉｓｈｄａｉｌｙｍｏｎｉｔｏｒｉｎｇ．Ｈｏｗｅｖｅｒ，ｔｈｅｌｏｗｃｏｍｐｕｔａｔｉｏｎａｌｐｏｗｅｒａｎｄｍｅｍｏｒｙｏｆｅｄｇｅｉｎｔｅｌｌｉｇｅｎｔｄｅｔｅｃｔｉｏｎｄｅｖｉｃｅｌｉｍｉｔｔｈｅｒｅａｓｏｎｉｎｇａｎｄｄｅｐｌｏｙｍｅｎｔｏｆｄｅｔｅｃｔｉｏｎｍｏｄｅｌ．Ｔｏａｄｄｒｅｓｓｔｈｅａｂｏｖｅｉｓｓｕｅｓ，ａｎｉｍｐｒｏｖｅｄｆｏｒｅｓｔｆｉｒｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｒｅ ｐａｒａｍｅｔｅｒｉｚｅｄＹＯＬＯｖ５ｓｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｃｏｍｂｉｎｅｓｌｉｇｈｔｗｅｉｇｈｔｉｄｅａｓｓｕｃｈａｓｒｅ ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ，ｃｈａｎｎｅｌｒｅａｒｒａｎｇｅｍｅｎｔ，ａｎｄＤｅｐｔｈｗｉｓｅＳｅｐａｒａｂｌｅＣｏｎｖｏｌｕｔｉｏｎ（ＤＳＣ）ｔｏｄｅｓｉｇｎｎｅｗｂａｃｋｂｏｎｅａｎｄｎｅｃｋｎｅｔｗｏｒｋｓｒｅｓｐｅｃｔｉｖｅｌｙ，ｅｎｈａｎｃｉｎｇｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｃａｐａｂｉｌｉｔｉｅｓ，ｉｍｐｒｏｖｉｎｇｍｏｄｅｌｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙ，ａｎｄｓｉｇｎｉｆｉｃａｎｔｌｙｒｅｄｕｃｉｎｇｔｈｅａｍｏｕｎｔｏｆｐａｒａｍｅｔｅｒｓａｎｄｒｅａｓｏｎｉｎｇｗｅｉｇｈｔ．Ｔｏａｖｏｉｄｉｎｆｏｒｍａｔｉｏｎｌｏｓｓｉｎｔｈｅｎｅｃｋｎｅｔｗｏｒｋ，ａｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｍｏｄｕｌｅｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｈｏｌｅｃｏｎｖｏｌｕｔｉｏｎｔｏｅｎｈａｎｃｅｔｈｅｍｕｌｔｉ ｓｃａｌｅｆｅａｔｕｒｅｆｕｓｉｏｎａｂｉｌｉｔｙ．Ｉｎｏｒｄｅｒｔｏｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｄｅｌ，ａｌｉｇｈｔｗｅｉｇｈｔＣＡａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓａｄｄｅｄｔｏｍｏｒｅａｃｃｕｒａｔｅｌｙｌｏｃａｔｅｔｈｅｔａｒｇｅｔ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｃｕｒｒｅｎｔｌｙｐｕｂｌｉｓｈｅｄｆｌａｍｅａｎｄｓｍｏｋｅｄａｔａｓｅｔｓｈａｖｅａｐｒｏｂｌｅｍｏｆｂｅｉｎｇｎｏｔｔａｒｇｅｔｅｄ．Ｉｎｏｒｄｅｒｔｏｂｅｔｔｅｒｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｍｏｄｅｌ，ａｎｅｗｆｏｒｅｓｔｆｉｒｅｄａｔａｓｅｔｈａｓｂｅｅｎｃｒｅａｔｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙａｌｇｏｒｉｔｈｍｓｈａｖｅｂｅｅｎｕｓｅｄｔｏｅｌｉｍｉｎａｔｅｉｍａｇｅｓｗｉｔｈｈｉｇｈｓｉｍｉｌａｒｉｔｙｏｎｔｈｅｄａｔａｓｅｔ，ｅｎｓｕｒｉｎｇｔｈｅｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｉｍｐｒｏｖｅｄｒｅ ｐａｒａｍｅｔｅｒｉｚｅｄＹＯＬＯｖ５ｓｉｍｐｒｏｖｅｓｔｈｅａｃｃｕｒａｃｙｂｙ４．０％ｗｉｔｈａｂｏｕｔ７６％ｏｆｔｈｅｏｒｉｇｉｎａｌｎｅｔｗｏｒｋ’ｓｐａｒａｍｅｔｅｒａｍｏｕｎｔ，ｗｈｉｌｅｒｅｄｕｃｉｎｇｔｈｅｉｎｆｅｒｅｎｃｅｗｅｉｇｈｔｔｏ１０．５ＭＢ，ｍａｋｉｎｇｉｔｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｅｄｇｅｄｅｖｉｃｅｓｗｉｔｈｐｏｏｒｅｑｕｉｐｍｅｎｔｐｅｒｆｏｒｍａｎｃｅａｎｄｓｍａｌｌｃａｐａｃｉｔｙ，ａｎｄｉｍｐｒｏｖｉｎｇｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｆｏｒｅｓｔｆｉｒｅｐａｔｒｏｌｉｎｓｐｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｆｏｒｅｓｔｆｉｒｅ；ＹＯＬＯｖ５ｓ；ｒｅ ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ；ＤＳＣ；ｍｕｌｔｉ ｓｃａｌｅｆｅａｔｕｒｅｆｕｓｉｏｎ收稿日期：２０２３－０５－０１基金项目：国家自然科学基金（６１４４００２３）；中国高校产学研创新基金———新一代信息技术创新项目（２０２０ＩＴＡ０３０１２）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（６１４４００２３）；ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙＩｎｄｕｓｔｒｙＲｅｓｅａｒｃｈＣｏｌｌａｂｏｒａｔｉｏｎＩｎｎｏｖａｔｉｏｎＦｕｎｄ—ＮｅｘｔＧｅｎｅｒａｔｉｏｎＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＩｎｎｏｖａｔｉｏｎＰｒｏｊｅｃｔ（２０２０ＩＴＡ０３０１２）信号与信息处理０ 引言近些年来，全球变暖导致极端天气频繁出现，各地区夏季高温不断打破历史记录，极端高温天气致使森林火灾发生概率大大增加。
基于卷积神经网络的原烟仓库虫情检测算法研究
!计算机测量与控制!"#"$!$%!%#"!!"#$%&'()'*+%('#',&-!",&(".!#'&!#收稿日期 "#"$#(%$$!修回日期"#"$#4""%作者简介 姜福焕!%)**"&男&大学本科&工程师%通讯作者 范明登!%)*("&男&大学本科&工程师%引用格式 姜福焕&严祥辉&范明登!基于卷积神经网络的原烟仓库虫情检测算法研究'3(!计算机测量与控制&"#"$&$%!%#")'&*"&*)!文章编号 %&'%(4)* "#"$ %###'&#'!!/56 %#!%&4"& 7!89:;!%%<('&" =>!"#"$!%#!#%"!!中图分类号 @e %%#$&!!文献标识码 .基于卷积神经网络的原烟仓库虫情检测算法研究姜福焕% 严祥辉" 范明登%!%R 福建省龙岩金叶复烤有限责任公司&福建龙岩!$&(%#"$"R 厦门烟草工业有限责任公司&福建厦门!$&%#"&"摘要 随着精细化管理的不断深入&传统的仓储养护管理模式也面临着巨大的挑战&原有的人工养护管理模式已经无法满足精细化和智能化仓储管理的需要$为此&以原烟仓储环节中虫情监测为探究应用方向&基于深度学习技术与目标检测技术&设计适用于烟草粉螟*烟草甲虫检测的检测网络&该网络采用轻量化结构设计&同时基于V L 9T W D V U P V 机制构建了主干网络&以实现快速*精准的检测目的$经过实验证明&该网络模型在-,b T 上的检测速度达4#+,1可实现实时检测*且检测精度达)&R 'F $通过实时获取的检测数据结合虫情检测系统能够快速评估出原烟仓储环节中的虫情实况&实现原烟仓储虫情监测管理的信息化和智能化&进而为打叶复烤行业仓储虫情监测管理提供可行参考方案%关键词 卷积神经网络$原烟仓库$虫情监测$深度学习$目标检测4'+'*(=T",0'+&)",6&"(6,73'&'=&6",2.7"(6&T #6,4*@9"<*=="5&"(*7':*+';",!",U ".%&6",*.V '%(*.V '&@"(H36.a -+I C I L 9%&K .a G ;L 9J C I ;"&+.a 2;9J S P 9J%!%R +I 7;L 9A D 9J B L 9-D Q SA P L W0P S V B ;9J @D R &A =S R &A D 9J BL 9!$&(%#"&@C ;9L $"R G ;L U P 9?D X L 88D 69S I T =V ;L Q @D R &A =S R &G ;L U P 9!$&%#"&&@C ;9L "2<+&(*=&)_;=C =C P S P P >P 9;9J D W W ;9PU L 9L J P U P 9=&=V L S ;=;D 9L Q T =D V L J PU L ;9=P 9L 98PU L 9L J P U P 9=U D S P Q T L V P L Q T D W L 8;9J J V P L =8C L Q Z Q P 9J P T !5V ;J ;9L Q L V =;W ;8;L QU L ;9=P 9L 98PU L 9L J P U P 9=U D S P Q T 8L 99D =U P P ==C P 9P P S T D W W ;9P L 9S ;9=P Q Q ;J P 9=T =D V L J PU L 9L JP U P 9=!?C P V P Z W D V P &;9T P 8=>P T =U D 9;=D V ;9J ;9=C P T =D V L J P D W V L Y=D X L 88D ;T =L :P 9L T L V P T P L V 8C L 9S L >>Q ;8L =;D 9S ;V P 8=;D 9&L S P =P 8=;D 99P =Y D V :X L T P S D 9S P P >Q P L V 9;9J L 9S =L V J P =S P =P 8=;D 9=P 8C 9D Q D J B ;T S P T ;J9P S W D V =C P S P =P 8=;D 9D W =D X L 88DU P L Q X D V P V L 9S =D X L 88D X P P =Q P !?C P S P =P 8=;D 99P =Z Y D V :;T S P T ;J 9P SY ;=C Q ;J C =Y P ;J C =T =V I 8=I V P !2P L 9Y C ;Q P &=C PU L ;99P =Y D V :X L T P SD 9?V L 9T W D V U P VU P 8C L 9;T U;TX I ;Q ==DL 8C ;P O P =C P V L >;SL 9SL 88I V L =P S P =P 8=;D 9!?C P P [>P V ;U P 9=L Q V P T I Q =T T C D Y=C L ==C P 9P =Y D V :8L 9V P L Q ;\P =C P V P L Q Z =;U P S P =P 8=;D 9T >P P SD W 4#+,1L 9S S P =P 8=;D 9L 88I V L 8B D W )&!'F D 9=C P-,b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引言在原烟仓储中除了需要对温度*湿度有极高的要求外&对于仓库中的虫情也需要进行严格的控制%以最常见的烟草粉螟*烟草甲虫为例&该类害虫通过啃食烟叶为生&除了对烟叶的品相*重量造成影响外&其排泄物也会对烟叶的品质造成影响'%(%而在对于烟草害虫的防治上&需要根据虫口数量*密度选择不同的治理方式&这需要通过监测虫情以获得相关数据'"(%目前主要的监测方式为人工记录监测&受限于仓库数量*人工数量等客观因素影响&虫情监测流程工作效率低下&且随着记录员的工作时间增加&记录的精度也受到影响'$(%为此&如何提高虫情监测效率是目前行业中主要研究方向%经过多年的研究&国内外学者已提出了很多种粮虫种类信息识别的先进技术方法&其中最具代表性的主要有以下几种)%"声音检测法)声音检测法是一种通过对粮堆中储粮害虫发出的声音进行数据采样&随后采用技术手段对声音数据进行检测*分析&特征提取与匹配&据此来实现粮虫种类识别的方法'((%""近红外法)近红外法是一种通过将近红外光向不同的储粮害虫进行照射&然后对所得到的近红外光频谱进行图像分析&来区分不同种类粮虫的方法%由于不同类别的粮虫身体成分有差异&其反射和吸收的近红外光谱也有差异&根据这些差异化表现便可以分辨出不同种类的储粮害虫'4(%!投稿网址 Y Y Y!7T 78Q B:\!8D U Copyright ©博看网. All Rights Reserved.第%#期姜福焕&等)""""""""""""""""""""""""""""""""""""""""""""""""""""基于卷积神经网络的原烟仓库虫情检测算法研究#''!#$"电导率测量法)电导率测量法是基于电导*电压的物理特性&根据所测导体水分对电导率的影响&来判断粮食中的害虫情况%通常&受到害虫侵害的粮食湿度要比无虫害粮食大&湿度越高则电导率越小'&(%("图像识别法)图像识别法是指利用摄像手段获取粮虫图像&通过图像处理*机器学习等技术提取储粮害虫的图像特征&然后进行图像特征的特征向量分类&从而识别不同储粮害虫的类别的方法''(%以上各种方法虽然技术手段先进*丰富&对粮虫种类的检测精度在特定环境下也能达到要求&但都存在着一定的问题&这些问题阻碍了各方法的进一步应用与推广'*(%具体问题如下)%"声音检测法对采样设备周围环境的安静程度要求很高&在有环境噪声的情况下&声音检测法难以达到理想的检测效果%""近红外法对个体体积差异较大的粮虫分辨效果较好&但对体积差异小的粮虫而言&其反射的红外光谱图差异化较小&区分难度大%$"由于粮堆电导率的数值大小与虫量成正比&所以该法只能检测粮堆内是否有虫以及虫量的多少&不能对粮虫的种类进行区分&实际意义不大&应用场景不多%("关于图像识别法&虽然取得了一些进展&但大部分研究中使用的储粮害虫图像过于理想化&粮虫图像背景简单&背景色与粮虫颜色区分度大&所采用的训练集皆为理想角度*完整*高清晰度的图像&甚至一张图像中仅有一只粮虫&这与实际的储粮环境不符%得益于人工智能热潮&计算机视觉技术在近年有了快速发展%相比于传统目标检测算法基于人工先验知识设计特定目标的特征检测器&基于卷积神经网络的目标检测算法则可通过学习样本数据由网络自动提取目标特征值&在泛化性及鲁棒性上相比于传统算法都有了大幅度的提升进步')(%综上&为解决目前烟叶虫情管理模式的弊端以及将深度学习算法更好地应用于烟虫监测任务中&本文基于深度学习算法设计了专门适用于原烟仓库的虫害检测网络&通过对网络结构进行优化&使其在保证高精度的同时兼具有轻量化的特性&通过对虫情数据的实时采集&实现原烟仓储虫情的预警与分析&有效提升原烟仓储烟叶养护水平&进而为仓储养护管理供数据化的支撑&使其成为烟叶质量保障的新亮点%B !理论分析为了提高对小目标的检测精度&本文主要采用了V L 9T W D V U P V 模块搭建特征提取网络&依靠?V L 9T W D V U P V 的全局自注意力机制&实现对小目标特征的加权提取%V L 9T Z W D V U P V 最初应用于自然语言领域中&而通过对其输入端进行结构改造后&其可应用于计算机视觉领域'%#(%标准的^;Z T ;D 9?V L 9T W D V U P V 模块结构及对数据特征的处理流程如图%所示%图%!^;T ;D 9?V L 9T W D V U P V 模块结构不同于卷积模块对整张特征图进行特征提取&^;T ;D 9V L 9T W D V U P V 为了获取特征图中各个区域的关联特征&模块的初始操作会将输入的特征图进行分块&之后将每个特征图块由%f %大小的卷积核转化为向量%如图%所示&特征图先分割得出-%*-"*-$*-(四个特征块&再由卷积核得到 %* "* $* (四个向量%之后对于每个特征向量会分别由!!N I P V B "*"!:P B "*#!O L Q I P "三个向量进行计算%以 %向量为例&!向量的作用主要为计算 %向量与其他向量之间的关联匹配度$而"向量的作用为当其他向量的!向量进行关联度计算时自身与其的关联匹配度$#向量则为特征表达计算%而 %在计算与其他输入向量的关系特征时&其.%会分别与/%*/"*/$*/(进行查询计算并得到'$ %&%&$ %&"&$ %&$&$ %&((这样一组权重向量&之后每个权重向量与输入特征进行重组&即可得到特征图块-%与其他块之间的关系表达特征图0%%最终各个特征图块完成自注意力计算后&将输出的各个关系表达特征图01合并后即可得到完整的全局注意力特征图%因此采用O ;T ;D 9?V L 9T W D V U P V 进行卷积计算使得网络除了能够获取到每个图片块中的目标特征信息外&还能够对特征图中的目标进行提权&同时可提取到特征图各个块区域中目标与目标在空间位置上的关联特征信息'%%(%C !网络设计结合网络模型的应用场景&模型需要尽可能地轻量化&以尽可能满足在多种设备上嵌入运行&其次为检测的目标具有小*密等特点&不易于检测'%"(%从第一方面考虑本文选用了单阶段的检测网络&通过精简的检测流程达到快速的检测的目的'%$(%而对于目标小而密的检测难点&单阶段网络具有一定的不足性'%((%综上&对于虫害检测网络的设计本文主要围绕模型轻量化与提升密集目标检测精度两方面进行%在网络的设计中&本文将V L 9T W D V U P V 模块与标准的卷积模块进行组合&构建了鲁棒性更强的特征提取网络&网络结构如图"所示%本文所设计的结构为-@D 9O c?V L 9T W D V U P V c@D 9O.的组合形式&该结构的优势在于整合了卷积网络的局部感知性与V L 9T W D V U P V 的全局感知型&使得网络整体对于目标具有更高的敏感性&降低漏检*误检的概率%!投稿网址 Y Y Y!7T 78Q B:\!8D U Copyright ©博看网. All Rights Reserved.!!计算机测量与控制!第$%""""""""""""""""""""""""""""""""""""""""""""""""""""卷#'*!#图"!特征提取网络结构C D B !卷积网络模块设计在主干网络的首尾部本文采用了标准卷积层进行构建&由于卷积对于图片像素更加敏感&因此在网络的输入端部分采用标准卷积能够将图片快速转换为包含有低级形态的特征的特征图&使得后续的V L 9T W D V U P V 模块不需要进行特征转换可直接进行全局特征的提取'%4($而在网络的尾部&为了衔接检测器的输入仍采用了卷积层对特征图进行处理'%&(%在首尾模块的设计中本文基于特征图金字塔结构进行优化在原基础上加入通道注意力机制&利用了+,a 网络编解码及特征传递的特性&以提升特征图的丰富性%特征金字塔网络!+,a &W P L =I V P >BV L U ;S9P =Y D V :"是一种用于计算机视觉任务的神经网络结构%如图$所示&+,a 可以从多个尺度的特征图中提取特征信息&从而提高模型的性能和鲁棒性%+,a 的主要组成部分包括)%"自底向上的特征提取网络&从输入图像中提取多个尺度的特征图&每个特征图对应不同的物体大小和尺度$""自顶向下的特征融合网络&将高层特征图与低层特征图进行融合&以便在不同尺度上提取更加丰富和准确的特征信息$$"横向连接&在特征融合的过程中&+,a 还通过横向连接将相邻尺度的特征图进行连接&从而进一步提高特征的准确性和丰富性%+,a 在计算机视觉任务中的应用非常广泛&例如目标检测*语义分割和实例分割等任务%通过使用+,a &可以使模型在不同尺度上都能够有效地提取特征信息&从而提高模型的性能和鲁棒性%图$!特征金字塔网络示意图优化后的网络结构如图(所示%在网络的首部卷积层以编码的形式通过下采样的形式进行组合逐层缩小特征图&而在尾部则是通过上采样以解图(!通道注意力+,a 网络码的形式逐层放大特征图%由于本文所检测的目标较小&特征图尺寸越大目标&所能在特征图上体现的特征信息也越多&也利于检测&因此在主干网络的尾部采用上采样卷积将特征图扩大%同时&在网络的首部与尾部本文设计了特征图通道注意力机制映射模块&将浅层网络输出的特征图映射输入到深层网络所输出的特征图中&对特征图种的信息进行补充%这种传递方式提高了对于特征信息的复用&但同样也会将背景等无效信息传输到深层网络&引入一定的噪声干扰%为了消除背景信息的噪声干扰&本文在链接通道中加入了通道注意力机制模块&通过对特征图的通道额外增加权值&以表示不同的通道与特征图中目标信息的相关性&权值越大说明相关性越强&通过加权的方式对噪声特征的通道进行降权抑制&对包含目标特征的通达进行提权增强&所设计的通道注意力机制如图4所示%在通道注意力模块的设计中本文考虑了轻量化的设计因素&将对每个通道均进行权值计算改为对每组道通统一进行权值计算&以减少网络的参数量%整个加权流程分为两个部分&在第一个部分中首先将需要映射的特征图通道进行分组映射&以上图为例首先将1$1$2大小的特征图根据通道数量均等分为三组&重新分组后的特征图参数为1$1$2$&之后采用/$/$%大小的卷积核将特征图的通道数压缩为%&最后将压缩得到的特征图进行合并&得到参数大小为1$1$$的特征图%而之后在第二部分中主要进行权值计!投稿网址 Y Y Y!7T 78Q B:\!8D U Copyright ©博看网. All Rights Reserved.第%#期姜福焕&等)""""""""""""""""""""""""""""""""""""""""""""""""""""基于卷积神经网络的原烟仓库虫情检测算法研究#')!#图4!通道注意力机制映射模块算工作&首先将1$1$$大小的特征图经全连接层压缩为%f %f $&并采用T ;JU D ;S 激活函数计算每个通道的权值&之后将计算后得到的权值分别与第一部分中分组后特征图相乘赋权&最后再将三组特征图重新组合&得到通道注意力加权的特征图并进行传递%C D C !9(*,+8"(#'(模块设计V L 9T W D V U P V 模块的引入主要为补充网络对于全局信息不够敏感的弊端%卷积模块侧重于对局部特征进行提取&如果依靠卷积模块获取全局特征需要通过多层网络迭代缩小特征图&使得在相同感受野大小下能够覆盖更多特征图区域'%&(%而采用V L 9T W D V U P V 模块&如第一小结所述其能够采用少量的层结构构建特征图的全局特征信息%但由于标准的V L 9T W D V U P V 模块需要对特征图划分的每一块特征区域进行关联性计算&需要消耗较大的计算资源&不利于网络的轻量化构建'%'(%为解决标准V L 9T W D V U P V 模块计算复杂&参数量多的问题&本文采用了稀疏V L 9T W D V U P V 模块进行构建%稀疏V L 9T W D V U P V 模块的功能实现主要由-局部<全局<局部.三个子模块组成实现&先将局部相似特征进行整合&之后将整合的特征块进行全局关联性计算&最后在将计算结果重新分布的局部特征块中%每个稀疏模块的结构如图&所示%如图&所示&为稀疏?V L 9T W D V U P V 模块的结构及特征图在其对数据的计算过程)首先输入的特征图先进行,L =8C H U X P S 块分割操作&将特征图分为多个大小为3f 3的块区域&完成分割后会由局部特征聚合模块对每个块区域的特征进行聚合&该过程如图中%号虚线框所示&特征聚合模块采用了3f 3大小的深度可分离卷积进行构建&其将特征块聚合为一个像素点进行表示&即该点代表了块特征!以上操作将特征图的大小进行3f 3倍的缩小&能够减小后续自注意力计算的参数量及计算量"%之后由前馈网络将这些特征点进行组合&并再次进行,L =8CH U X P S 操作&将每个特征点重新分割并通过编码转换为一维向量以进行图&!稀疏?V L 9T W D V U P V 模块V L 9T W D V U P V 自注意力计算%对于每个全局注意力权值的计算&本文采用了稀疏注意力的计算方式&该方式如图中"号虚线框所示&原特征图在每个3f 3大小的区域内由一个特征点进行稀疏表示&之后仅对这些特征点进行自注意力计算&获取点与点之间的特征关联度%最后通过局部传播模块将获取到的注意力权值进行转发&使得该权值覆盖整张特征图%局部传播的实现为通过转置卷积将具有注意力权值的特征点转换为特征块&即每个特征块共享一个注意力权值&转置后即可获得每个块与块之间的关联度&在通过映射的方式将输入稀疏V L 9T W D V U P V 模块的特征图与转置后的特征图进行融合以获得空间层面上的注意力权值%通过这种方式能够在保证获取全局特征的同时&有效降低网络的计算量&并且可以通过控制分割特征图区域大小的3值决定参数的减小倍数&使其具有灵活性%综上&网络整体的检测流程为输入的图片首先由卷积!投稿网址 Y Y Y!7T 78Q B:\!8D U Copyright ©博看网. All Rights Reserved.!!计算机测量与控制!第$%""""""""""""""""""""""""""""""""""""""""""""""""""""卷#*#!#模块的编码器进行目标形态特征的提取及特征图的快速构建$之后由稀疏V L 9T W D V U P V 模块组对特征图进行空间层面上的全局自注意力计算&获取目标在特征图中的分布关系%完成之后输入到卷积模块的解码器中&将特征图进行还原&同时在卷积模块的编码器会将其输出的特征图通过通道注意力机制映射至解码器中&将低级形态特征与高级语义特征进行融合&提高了特征图的丰富性%最后&本文采用了目前单阶段网络中检测级精度较高的K 5A 5检测器对输出的特征图进行检测&获取目标在图中的数量及位置%由于网络的设计方案以轻量化为目的&且结合当下热门的V L 9T W D V U P V 多头自注意力机制&并采用K 5A 5检测器进行检测&因此将优化后的网络命名为K 5A 5?A ;=P 以便后续实验进行区分%F !实验及数据分析F D B !数据采集为验证本文所构建网络适用于烟草仓储间的虫情检测任务&本文通过对仓储间内的真实虫情环境进行拍照采样&制作了烟草粉螟*烟草甲两类虫害的数据集&所采样图片如图'所示%图'!采样示例图对于数据集的样本制作&本文通过拍摄诱虫板上的虫害为目标样本&为提升模型的泛化性与增强其鲁棒性&在拍摄的过程中&本文选择了不同虫害密度的诱虫板已经通过控制拍摄的距离获取不同大小的样本目标%经统计&本文共采集图片%&$*张&烟草粉螟样本数*'%*个*烟草甲虫样本数&4$)个%F D C !评价指标对于模型性能的评估&本文结合混淆矩阵采用以下量化指标进行客观评估)混淆矩阵中共有)4*)&*+4*+&四个参数&每个参数所代表的含义分别如下))4)对于正样本&模型预测正确的个数$)&)对于负样本&模型预测正确的个数$+4)对于负样本&模型错误预测为正样本的个数$+&)对于正样本&模型错误预测为负样本的个数%精确率!,V P 8;T ;D 9")评估模型对于目标类别的分类精度$456278791")4)4(+4!!召回率!0P 8L Q Q ")评估模型对于目标总数的查全能力$:62;<<")4)4(+&!!+%综合得分)评估模型在均衡精确率与召回率情况下的综合性能%+%""$456278791$:62;<<456278791(:62;<<!!检测精度均值!L O P V L JP >V P 8;T ;D 9")评估某一类别的检测置信度$'4"%%#4T U D D =C!5"S 5!!平均检测精度均值!U P L 9L O P V L JP >V P 8;T ;D 9")评估模型的综合检测置信度$='4"&17"%'471!!模型复杂度!+A 5,T ")模型浮点运算计算量&评估模型复杂度$检测速度!+,1")帧率&评估模型每秒能够检测图片的数量%F D F !数据分析对于模型性能的分析&本文以目前在轻量化网络领域中应用较为常用的K 5A 5O 4T 为参照对比模型&并将本文对于主干网络的优化方法分别移植至K 5A 5O 4T 上进行消融实验$并且为验证本文所设计稀疏V L 9T W D V U 模块在该任务中的适用性&本文选取了标准V L 9T W D V U P V 模块与之进行对比%首先对网络的基础性能进行比较分析&对比结果如表%所示%表%!基础性能对比+,a ,.==P 9=;D 91>L V T P V L 9T W Z D V U P V ^;T ;D 9?V L 9T W Z DV U P V ,V P 8T ;D 90P 8L Q Q +%Z 18D V P 模型%#!*$4#!)(4#!**'模型"'#!*&"#!)&$#!)%#模型$'#!*&*#!)4*#!)%%模型('#!*&"#!)4&#!)#'模型4''#!**$#!)*%#!)")模型&''#!**##!)')#!)"'!!注)模型%为K 5A 5O 4T 网络$模型"为在K 5A 5O 4T 的网络结构上加入了通道注意力映射$模型$为将K 5A 5O 4T 的主干网络原卷积模块采用稀疏V L 9T W D V U P V 模块替代$模型(为将K 5A 5O 4T 的主干网络原卷积模块采用标准V L 9T W D V U P V 模块替代$模型4为采用了通道注意力映射与稀疏V L 9T W D V U P V 模块像结合的K 5A 5A ;=P 网络$模型&为在模型4基础上替换其中稀疏?V L 9T W D V U P V 模块为标准V L 9T W D V U P V 模块网络%如表%所示&在模型%的测试结果中&K 5A 5O 4T 模型对于目标辨别的精确率较低&分析其原因主要为网络结构较为精简&无法对目标特征记性充分提取造成%而模型"*模型$与模型(相比较与模型%K 5A 5O 4T 均有一定的提升&分析其原因为模型"采用了+,a 结合通道注意力机制进行高低特征融合&在网络深层融入低级形态特征$模型$与模型(采用多头自注意力机制?V L 9T W D V U P V 模型能够对特征图的全局特征进行提取&与卷积模块所提取到的局部特征进行互补%但对于模型(采用的标准?V L 9T W D V U P V 模块与!投稿网址 Y Y Y!7T 78Q B:\!8D U Copyright ©博看网. All Rights Reserved.第%#期姜福焕&等)""""""""""""""""""""""""""""""""""""""""""""""""""""基于卷积神经网络的原烟仓库虫情检测算法研究#*%!#模型$所采用本文所设计的稀疏?V L 9T W D V U P V 模块相比&在检测精度与召回率赏要略低于模型$&分析其原因主要由于标准V L 9T W D V U P V 模块对于特征图的块区域分割为等分&各个块区域无关联&对于每个块区域的特征关联性相较于稀疏V L 9T W D V U P V 模块的计算方式更低&使得所提取到的特征信息在全局性上与模型$相比有所欠缺%模型4与模型&采用了本文所设计的网络结构&两个模型的不同主要在于所采用的V L 9T W D V U P V 模块不同&结合模型$与模型(的对比分析&模型&采用标准?V L 9T W D V U P V 模块与模型4相比&在检测性能上也略低于模型4%以上这4个网络均能提升网络特征的丰富度以提升分类精度%而对于召回率&由于诱虫板的背景为白色&虫害为黑色有较大的色差易于区分前景与背景&故各网络均有出色表现%综上模型4K 5A 5?A ;=P 网络结合了通道注意力机制与稀疏V L 9T W D V U P V 模块&在分类精度上相比于其他网络都有明显提升&在+%综合得分指标也反映了K 5A 5?A ;=P 的检测性能更优%在表"的检测精度对比中&同表%的数据相关联&特征的丰富性与全面性同样对检测精度有一定的影响%对比结果验证了本文所设计的模型4K 5A 5?A ;=P 网络在检测精度上同样优于其他网络模型%表"!检测精度对比+,a ,.==P 9=;D 91>L V T P V L 9T W Z D V U P V ^;T ;D 9?V L 9T W Z D V U P V'4!粉螟"'4!甲虫">'4模型%#!*)&#!)$4#!)%4模型"'#!)"##!)4%#!)$&模型$'#!)%&#!)&"#!)$)模型('#!)%4#!)&##!)$'模型4''#!)$&#!)'*#!)4'模型&''#!)$"#!)'(#!)4$在表$中&主要对模型的轻量化性能进行比较%+A 5,T 指标为客观评估指标&+,1数据则与模型搭载的硬件参数相关&本文选用了两种硬件环境进行对比测试%基于+A 5,T 指标&模型"由于在原网络的基础上引入了轻量化通道注意力机制&因此其计算量相比于模型%K 5A 5O 4T 有一定的增加$而模型$采用稀疏?V L 9T W D V U P V 模块对原网络残差卷积模块进行替换&且模块使用数量与原先相比有所减少&因此在计算量上低于K 5A 5O 4T %但模型(采用标准V L 9T W D V U P V 模块&由于?V L 9T W D V U P V 模块计算的复杂度&使得模型的计算量要高于模型%&在计算速度同样低于模型%&结合表%与表"的检测性能对比结果&虽然标准V L 9T W D V U P V 模块与稀疏?V L 9T W D V U P V 模块精度相似&但在计算量与检测速度上有明显差距%在模型4K 5A 5?A ;=P 网络结构中&其另外将检测器的数量由$个改为%个&同时结合轻量化通道注意力机制与稀疏V L 9T W D V U P V 模块&因此其计算量整体也要低于K 5A 5O 4T %反之模型&采用了标准V L 9T W D V U P V 模块&虽然网络做了一定的精简&但由于模块计算的复杂度使得计算量仍要要高于K 5A 5O 4T%实际检测速度对比&以上网络在搭载由-,b 的硬件设备中均能达到实时检测效果&而在@,b 上也能满足间时检测%表$!检测速度对比+,a ,.==P 9=;D 91>L V T P V L 9T W Z D V U P V ^;T ;D 9?V L 9T W Z DV U P V +%?48+4!!@,b "+4!!-,b "模型%'#%44%)'(&模型"'*"$'*($4$'模型$'4)'$%%4*(*模型(')&"4(*"$$%模型4''&$'4(#$*4#模型&''%%"4$4*""*!!注)@,b 硬件环境为69=P Q ;4Z %%(##+$-,b 硬件环境为69=P Q ;4<%%(##+c0?G"#'#%以上消融实验证明了相比于优化前的K 5A 5网络&本文所设计的K 5A 5?A ;=P 网络在仓储烟虫检测中更具有优势%并且所设计的稀疏V L 9T W D V U P V 模块与标准?V L 9T W D V U Z P V 模块相比也更适用于该场景&在具有高检测精度的同时&兼具了轻量化的特性%为进一步验证K 5A 5?A ;=P 在该任务中的通用性&本文选用了目前主流的目标检测算法,.a P =*@L T 8L S P0@Z a a */P =P 8=;D 9?V L 9T W D V U P V 及1Y ;9?V L 9T W D V U P V 在本文所制作数据集上进行训练测试&并与K 5A 5?A ;=P 进行对比&对比结果如表(所示%表(!多类模型对比测试+%Z 18D V P >'4+4!!@,b "+4!!-,b "K 5A 5?A ;=P #!)")#!)4'*!*4#!"1H a P =#!*)*#!)"(&!($'!&@].2a P =#!)%'#!)("(!'$"!(/P =P 8=;D 9?V L 9T W D V U P V #!**(#!)"#%!""%!#1_;9?V L 9T W D V U P V #!)%"#!)((#!)4%)!(在表(中&1H a P =与@].2a P =为卷积神经网络&/P Z =P 8=;D 9?V L 9T W D V U P V 与1_;9?V L 9T W D V U P V 为?V L 9T W D V U P V 模型网络%测试结果@].2a P =因同时采用了空间加权注意力机制与通道加权注意力机制提高了模型对于目标的感知能力*1_;9?V L 9T W D V U P V 网络通过滑动分割计算的方式提高了V L 9T W D V U P V 模型中每个=D :P 9的交互性&这两个网络模型在该任务中同样具有较好的鲁棒性&但与本文的K 5Z A 5?A ;=P 相比&在检测性能与检测速度上能仍有一定的差距&特别是在检测速度上&由于V L 9T W D V U P V 模型的计算较为复杂整体的计算量高&使得模型在检测速度上较慢%而对于1H a P =与/P =P 8=;D 9?V L 9T W D V U P V 网络在网络性能上相比与其他网络均较有一定差距&主要体现在于1H a P =仅采用了通道加权注意力机制&对于目标在特征图空间上的分布定位感知能力较弱&而/P =P 8=;D 9?V L 9T W D V U P V 则缺乏了特征图分割后=D :P 9与=D :P 9间的关联性%综上&K 5A 5?A ;=P 综合了卷积模型与?V L 9T W D V U P V 模型的特点&在保证!投稿网址 Y Y Y!7T 78Q B:\!8D U Copyright ©博看网. All Rights Reserved.。
基于模块化深度卷积神经网络的烟雾识别
基于模块化深度卷积神经网络的烟雾识别随着工业化程度的不断提高，工业生产和生活中的烟雾污染愈发严重，烟雾的粒子颗粒含量愈见复杂和特异化。
因此，对烟雾的识别和准确分类变得愈发重要。
传统的烟雾识别方法需要设计人员手动选择特征，这样做需要考虑因素较多，且难以精确地区分不同种类烟雾。
因此，本文提出基于深度学习的烟雾识别方法，基于模块化深度卷积神经网络（MCNN）。
MCNN是一种新型的卷积神经网络，它能够有效地利用深度学习技术对图像进行分类。
MCNN包括多个模块，每个模块包含多个卷积层和池化层，用于特征提取。
每个模块之间也有连接，从而能够将模块之间的信息传递，提高特征的抽象能力。
在本文中，我们设计了一个包含3个模块的MCNN模型，用于识别烟雾。
在MCNN中，我们使用了卷积神经网络（CNN）中的AlexNet模型作为预训练模型。
然后我们根据训练数据调整了模型的参数和结构，以使其适应烟雾的识别任务。
训练数据集包括了多种不同的烟雾以及一些背景干扰。
我们随机选取了其中70%的数据进行训练，20%用于验证，剩下的10%作为测试集。
训练过程中，我们采用了Adam优化器，用于更好地更新模型参数。
在训练过程中，我们使用了批量训练方法，以减少过拟合的可能性。
另外，我们还对每个模块的输出进行了归一化处理，以避免梯度消失的问题。
最终，我们的MCNN模型在测试集上的准确率达到了93.2%。
与传统的烟雾识别方法相比，我们的方法无需手动选择特征，能够更好地识别不同种类的烟雾，例如黑烟、白烟、灰烟等。
此外，我们的方法还具有良好的鲁棒性和实时性，能够很好地应用于实际场景中的烟雾识别应用。
总之，本文提出了一种基于模块化深度卷积神经网络的烟雾识别方法。
该方法能够自动地从图像中提取特征，准确地识别不同种类的烟雾，具有较好的鲁棒性和实时性。
未来，我们还将继续改进该方法，例如增加数据集的规模、调整MCNN中的模块数量和结构，以进一步提高识别准确率。
基于3D金字塔卷积神经网络的动态火灾预警
基于3D金字塔卷积神经网络的动态火灾预警
文涛;王蒙
【期刊名称】《信息技术》
【年(卷),期】2022(46)9
【摘要】针对已有模型火灾预警实时性不足和准确率低的问题,提出一种基于3D 金字塔卷积神经网络的动态火灾预警模型M。
该模型是在研究3D卷积时受其结构启发构造出来的,在多帧瞬时快照上使用金字塔卷积一次性提取多尺度的特征,通过并行学习不同尺度的时序信息就能得到新的模型M。
实验结果表明,模型M能够在出现火焰或烟雾后迅速进行预警,预警准确率较高。
【总页数】5页(P67-71)
【作者】文涛;王蒙
【作者单位】昆明理工大学信息工程与自动化学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于深度卷积神经网络的火灾预警算法研究
2.基于3D卷积神经网络的动态手势识别
3.一种基于双流融合3D卷积神经网络的动态头势识别方法
4.基于3D卷积神经网络的视频火灾检测
5.基于3D卷积神经网络的动态手势识别模型
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ 实验结果分析
在前馈传播过程中，为弥补数据集稀缺的不足，在训 练过程中采用微调达到数据增强，在参数随机初始化和微 调后，损失函数值和准确率与迭代次数的关系如图 1 所示。
４ 结语
该文提出的基于卷积神经网络的 视频火灾烟雾探测法，并用建立的模型 对多类型烟雾进行测试。首先，应用背 景减除法结合 LBP 纹理建模提取可疑 烟雾区域。其次，将可疑烟区图像预处 理后输入 CNN 模型，其间先采用微调 来优化训练过程，然后经过各层处理及 最后的二分类进行烟雾与否的判别。最 后对损失函数值及准确率随迭代次数 的关系进行实验，同时测试 CNN 模型 对不同类型烟区识别率、误报率和准确 率来判别其性能。实验结果表明 ：该文 设计的系统能够对阴燃阶段烟雾准确 识别，在森林防火领域有较好的前景。
- 23 -
中国新技术新产品 2019 NO.6（下）
高新技术
图 1 损失函数值和准确率与迭代次数的关系
３．１ 不同类型烟雾测试效果
将 4 种类型图像输入 CNN 模型测 试其识别率、误测率及准确率，结果见 表 1。
可疑烟区图像经 5 个卷积层、3 个 池化层及 2 个全连接层的 CNN 处理后， 对 4 种烟雾识别率均在 98% 左右，且误 测率也较低，同时能达到 99% 左右的准 确率，相比于以往的 GoogLeNet 及其他特 征识别与分类方法更适合森林火灾烟雾 探测。
高新技术
2019 NO.6（下） 中国新技术新产品
基于卷积神经网络的森林火灾烟雾探测
算法研究
赵丽宏 付 雪 肖博宇 张延文 （东北林业大学机电工程学院，黑龙江 哈尔滨 150040）
摘 要 ：为解决森林火灾烟雾检测过程中受外界干扰且由于烟雾存在多种静、动态特性导致识别难度高的问题，
提出一种基于卷积神经网络的火灾烟雾视频探测算法提取可疑区域特征并进行模式分类，进而检测出火灾烟
１ 运动目标检测
图像中心像素点的 6 个纹理直方图各自所占权重为 wk，权重之和为 1。由于采集到的第一帧图像往往干扰因素 少，所以将第一帧图像看作初始背景模型。将当前桢像素 点的纹理直方图 Vt 依次与初始模型比较，计算它们相似度 Pk，满足下式的前 b 个直方图为背景模型，后 6-b 个为前 景模型。
应用基于图像块的 LBP 纹理建模法检测可疑烟雾区 域，可以有效地降低光照产生的影响，并且将检测速度提 高到 160 ms/ 帧，满足及时性要求。
２ 基于 ＣＮＮ 进行的特征提取与分类
CNN 接收可疑烟区图像后，通过卷积层、池化层、完
（4）
式中，p 为零填充个数，Bi 为输入图像大小（其他卷 积层输入为上一层的输出），Bh 为卷积核大小，s 为步幅。
雾。实验结果表明 ：该算法在各种视频场景下均具有良好的烟雾识别性能，并能与灭火装置通信对初期林火
进行扑灭，为森林火灾探测扑救装备的智能化、高效化提供了新思路。
关键词 ：CNN ；运动目标检测 ；数据增强 ；森林火灾
中图分类号 ：TP391
文献标志码 ：A
近年来，森林火灾频发使森林面积锐减，严重破坏 了森林结构，导致森林生态系统失去平衡，研究火灾高效 检测方法已刻不容缓。火灾初期是由阴燃过渡到火焰阶段 的，检测烟雾可有效监测火情。Toreyin 提出基于能量的 烟雾检测法，但在环境亮度持续变化时，这种方法效果不 佳，Yuan 认为现场燃烧生热而导致烟雾自下而上运动，是 烟雾区别于其他物体的主要动态特征，但此法不适用于漂 移现象。该文提出了一种基于 CNN 的视频火灾烟雾探测算 法，对所获取视频图像进行运动目标检测以确定可疑烟雾 区域，自动提取可疑区域的特征并进行模式分类，进而检 测出火灾烟雾。
参考文献 [1]JIA Y, YUAN J, WANG J, et al. A Saliency-Based Method for Early Smoke De tection in Video Sequences[J].Fire Technolo gy,2017, 52(5):1-22. [2] 章毓晋 . 图像工程 ( 中册 ): 图像分析 [M]. 北京 : 清华大学出版社 , 1999. [3] 赵小禹 . 基于帧差法的矿用皮带机 运动检测 [J]. 煤炭工程 , 2011, 1(1): 103105. [4] 姜超 . 视频序列中运动目标提取与 跟踪技术的研究 [D]. 大连 : 大连理工大 学，2009.
全连接层进行处理，每一层的输出结果表征输入图像的不 同特征，随着处理层的深入，表征的特征也趋于复杂化，最 终映射ቤተ መጻሕፍቲ ባይዱ目标上即可检测烟雾。将网络的顺向过程称为前 馈传播，将误差运算和权重更新的过程称为反馈传播。
设计 CNN 模型由 12 层组成，包括输入层 input，5 个 卷积层 C1、C3、C5、C6、C7，3 个池化层 S2、S4、S8，2 个全连接层 FC9、FC10 以及进行二分类后的输出层。为方 便检测，将输入图像大小固定为 227×227×3。输入可疑 烟区图像后，卷积层 C1 用 48 个能作为烟雾低级特征标识 的 11×11×3 的卷积核进行卷积操作。激活映射的大小 Bs 为：
式中，wk,t+1 为更新后 t+1 时刻第 k 个纹理直方图所占 权重 ，T 为权值判断阈值。
计算 Vt 与 b 个背景直方图的相似度进而确定它为背景 的概率 PB。
（2）
式中，PB 为 Vt 是背景的概率，Pk 为当前帧与前模型的 相似度，wk,t 为 t 时刻第 k 个纹理直方图所占权重。
（1）
（3）
式中，Bi 为输入图像大小（其他卷积层输入为上一层 的输出），Bh 为卷积核大小，s 为步幅。通常还需对激活映 射利用 ReLU 函数进行非线性化处理，以此来提高网络的 训练速度。
C3 利用 5×5 的卷积核对 S2 进行步幅为 1 的处理时， 为保留更多低级特征信息及保持图像维度，通常进行零填 充，此操作后的激活映射大小为 ：