一种基于改进YOLOv5的红外气体检测方法、装置和系统

本发明涉及目标检测领域，特别是涉及一种基于改进yolov5的红外气体检测方法、装置和系统。

背景技术：

1、随着工业化和城市化进程的快速推进，人们面临着因氨气、氯气、六氟化硫等常见有毒害气体排放或泄漏而带来的巨大生命和财产风险。因此，高效准确地检测和识别有害气体对于保护人们的生命安全和财产安全至关重要，并具有重要的研究价值。然而，传统的检测方法在实时性、检测效率、检测范围和准确率等方面存在一些问题。为了解决这些问题，近年来，红外成像技术得到了广泛应用于电力和化工行业，以可视化的方式进行气体泄漏检测。尽管如此，红外成像技术仍然面临一些挑战，例如需要耗费大量时间和精力，无法实现远程实时检测等问题。

2、近些年来随着计算机视觉的火热发展，基于深度学习的目标检测技术逐渐替代传统的传感器检测。目标检测是计算机视觉领域核心应用之一，是基于图像处理、卷积神经网络等技术基础上通过输入图片或者视频来判断是否有目标出现，框出目标所在位置并进行分类。传统目标检测方法一般需要通过人为设计规则来提取目标特征，不仅需要经过大量的对比实验，而且特征选择具有一定的主观性，导致过程繁琐，且装置泛化能力不足、准确率偏低。随着深度学习日益发展，人们发现卷积神经网络具有良好的提取特征的能力，并逐渐广泛应用于目标检测领域。基于深度学习目标检测一般需要大量的训练样本，通过构建深度网络装置，对大量图像数据进行训练，从而训练得到强大特征提取能力。较之传统目标检测方法，深度学习方法具有巨大优势，一方面节约了手工提取特征的时间，另一方面，通过大量数据的自主训练，让网络装置具备较强的特征提取能力，鲁棒性更强、准确率更高。

3、虽然基于深度学习的目标检测算法在各大公开数据集上都取得了很高的识别率，涉及目标种类也很众多，但是目前并没有公开的、针对红外气体检测的目标检测算法。

技术实现思路

1、基于此，本发明的目的在于，提供一种基于改进yolov5的红外气体检测方法。

2、一种基于改进yolov5的红外气体检测方法，包括以下步骤：

3、s1，获取红外数据，通过可形变卷积进行特征提取，分别输出浅层特征图、中层特征图和深层特征图；

4、s2，将浅层特征图、中层特征图和深层特征图，通过se注意力机制，进行特征聚合及融合处理，分别输出最终浅层特征图、最终中层特征图和最终深层特征图；

5、s3，对最终浅层特征图、最终中层特征图和最终深层特征图进行预测分类。

6、本发明所述的一种基于改进yolov5的红外气体检测方法，相对于现有技术，解决了气体在连续帧运动中的不规则形状，导致漏检的情况，以及红外视频中气体的信号量低，且噪声较多，干扰装置特征提取和检测的情况。

7、进一步地，所诉步骤s1包括子步骤：

8、s11对其数据进行一遍卷积特征提取，输出浅层特征图；

9、s12对浅层特征图进一步进行卷积特征提取，输出中层特征图；

10、s13通过可形变卷积，对中层特征图进一步进行可形变卷积特征提取，输出深层特征图；

11、s14对深层特征图进行sppf池化操作，剔除相关重复特征提取，输出池化后深层特征图。

12、通过将sppf池化操作前的一般卷积置换成可形变卷积，解决气体形状的不规则导致一般卷积无法准确提取超出目标标注范围的特征信息，造成特征信息损失，从而影响检测结果。

13、进一步地，所述步骤s2包括子步骤：

14、s210将浅层特征图、中层特征图和深层特征图通过se注意力机制加权，并且通过上采样进行特征聚合和融合

15、s220：分别上采样聚合和融合后的浅层特征图、中层特征图和深层特征图，通过下采样进行特征聚合和融合。

16、进一步地，所述se注意力机制，还包括步骤：

17、s214a将两个特征图聚合后进行全局平均池化(降维)，得到特征向量；

18、s214b将特征向量经过一个全连接层映射到一个新的特征向量中，且进行加权表示不同通道的重要程度，得到具有权重信息的特征向量。

19、通过将权重特征向量与聚合后的特征图相乘，对所述第一聚合特征图的通道进行加权，将浅层特征图、中层特征图和深层特征图在特征在上采样聚合、融合的过程中，以最小的计算成本添加权重信息，使yolov5装置能快速定位到感兴趣区域，注意到与气体关联性更强的信息，实现以最低计算成本的情况下，提高检测准确度。

20、进一步地，所述步骤s3包括子步骤：

21、s31对权重信息聚合特征图进行卷积融合特征，输出最终浅层特征图；

22、s32对最终浅层特征图判断是否存在气体特征；

23、s33对聚合后最终中层特征图进行卷积融合特征，得到最终中层特征图；

24、s34对聚合后最终中层特征图判断是否存在气体特征；

25、s35将聚合后最终深层特征图进行卷积融合特征，得到最终深层特征图；

26、s36对最终深层特征图判断是否存在气体特征；

27、s37通过结合所有检测结果，进行整合检测，输出最终检测结果。

28、进一步地，所述装置的可训练参数通过以下步骤进行训练：

29、对红外图像数据集进行预测，得到气体检测结果；

30、计算气体检测结果的iou损失；

31、计算气体检测结果的距离损失；

32、计算气体检测结果的方向损失；

33、对iou损失、距离损失和方向损失进行汇总，得到气体检测结果的eiou总损失；

34、根据eiou总损失值进行反向传播，更新装置的可训练参数，直到eiou总损失达到收敛。

35、通过所述eiou损失函数的方向损失，更高效地计算气体的形变导致检测框的高宽不成比例变化，从而提高训练效率。

36、一种基于改进yolov5的红外气体检测装置，包括backbone单元、neck单元和head单元；

37、所述backbone单元，用于获取所述红外数据，通过可形变卷积进行特征提取，分别输出浅层特征图、中层特征图和深层特征图；

38、所述neck单元，用于将浅层特征图、中层特征图和深层特征图，通过se注意力机制，进行特征聚合及融合处理，分别输出最终浅层特征图、最终中层特征图和最终深层特征图；

39、所述head单元，用于对最终浅层特征图、最终中层特征图和最终深层特征图进行预测分类且整合，根据整合后的预测结果。

40、一种基于改进yolov5的红外气体检测系统，包括红外摄像设备、基于改进yolov5的红外气体检测装置、显示设备；

41、所述红外摄像设备捕获红外数据，发送到上述的基于改进yolov5的红外气体检测装置，生成对应气体位置的检测框输出至显示设备中。

42、为了更好地理解和实施，下面结合附图详细说明本发明。

技术特征：

1.一种基于改进yolov5的红外气体检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤s1包括子步骤：

3.根据权利要求2所述的方法，其特征在于，所述步骤s2包括子步骤：

4.根据权利要求3所述的方法，其特征在于，所述步骤s214包括子步骤：

5.根据权利要求3或4任一所述的方法，其特征在于，所述步骤s2还包括以下步骤：

6.根据权利要求5所述的方法，其特征在于，所述步骤s3包括以下子步骤：

7.一种基于改进yolov5的红外气体检测装置，其特征在于，包括backbone单元、neck单元和head单元；

8.根据权利要求7所述的装置，其特征在于：

9.根据权利要求7或8任一所述的装置，其特征在于，所述装置的可训练参数通过以下步骤进行训练：

10.一种基于改进yolov5的红外气体检测系统，其特征在于：包括红外摄像设备、基于改进yolov5的红外气体检测装置、显示设备；

技术总结
本发明涉及一种基于改进YOLOv5的红外气体检测方法、装置和系统。本发明提出的基于改进YOLOv5的红外气体检测方法包括：获取红外数据，通过可形变卷积进行特征提取，分别输出浅层特征图、中层特征图和深层特征图；将浅层特征图、中层特征图和深层特征图，通过SE注意力机制，进行特征聚合及融合处理，分别输出最终浅层特征图、最终中层特征图和最终深层特征图；对最终浅层特征图、最终中层特征图和最终深层特征图进行预测分类。本发明所述的一种基于改进YOLOv5的红外气体检测方法解决了气体在连续帧运动中的不规则形状，导致漏检的情况，以及红外视频中气体的信号量低，且噪声较多，干扰装置特征提取和检测的情况。

技术研发人员：吴立军,吴晗,李洲,闫满,董正,刘一鸣
受保护的技术使用者：华南师范大学
技术研发日：
技术公布日：2024/3/12