一种基于轻量化神经网络的火焰检测算法

本发明属于人工智能领域，具体地说，涉及一种基于轻量化神经网络的火焰检测算法。

背景技术：

1、火灾是当今人类面临的主要灾害之一。如果在其早期不能及时检测并控制住，就可能导致大规模安全事故，从而造成严重的财产损失和人员伤亡。目前的火灾检测系统大多是基于热成像和光学探测技术，然而，以这种方式获取的数据往往是冗余和模糊的，利用这些数据进行检测的结果通常不够准确，因此有必要研究更加高精度的火灾检测技术。同时为了将算法部署到嵌入式设备上，更加及时地检测到火灾，轻量化火灾检测技术应运而生。

2、目标检测可以简单地分为传统的目标检测方法和基于深度学习的目标检测方法。传统的目标检测方法首先选取可能包含物体的区域，然后对选取的区域进行特征提取，如sift、harr、hog等，最后对提取的特征进行分类。基于卷积神经网络的目标检测方法作为深度学习目标检测的新方法，又可分为两阶段目标检测方法和单阶段目标检测方法，相比于传统的目标检测方法，检测准确率和召回率都得到了显著提升。

3、两阶段方法首先获取候选区域，然后再对候选区域的目标进行分类和对目标进行坐标定位。典型的两阶段法模型有r-cnn （regions with cnn feature）、faster r-cnn、r-fcn、cascade r-cnn和rpn （region proposal network）等。两阶段检测器检测结果比较准确，但是在实际应用中，无法达到实时性要求。因此，单阶段目标检测方法应运而生，单阶段算法并没有独立地提取候选区域这一步骤，而是由输入图像得到目标所属类别的概率和位置坐标，经过该阶段直接得到最终的检测结果，因此检测速度较快，主流的单阶段检测器有retinanet、efficientnet、efficientdet、ssd和yolo系列方法等。一阶段检测器相较于两阶段检测器参数量较小，浮点运算量较小，检测速度较快，然而检测精度较低。

4、随着检测模型的结构越来越复杂，算法的性能不断改善，同时算法复杂度也不断提高，需要占用的算力资源也越大，这很大程度上限制了算法的发展。因此，轻量化模型的设计已成为亟需，这实际上是一种降低算法复杂度的同时不过多牺牲算法性能的折衷，其中的代表性方法有参数剪枝与量化、低秩分解、知识蒸馏等，这些方法为模型轻量化开辟了方向。除此之外，轻量化模块也随着技术发展越来越成熟，其中最典型的是深度可分离卷积，然而这些模块是以牺牲准确率得到的参数量大幅减少。应用于遥感图像中目标检测的轻量化注意力模块lsk，通过将一个非常大的卷积核分解为一系列不同大小的卷积核后提取的特征进行加权，然后在空间上拼接，这样的分解大大降低了大卷积核运算时的参数量和计算量。而且大卷积核意味着大的感受野，能够更好地对目标的上下文信息进行学习，对于背景复杂、目标被遮挡以及小目标等情况，也能提高目标检测精度。

技术实现思路

1、针对现有技术上存在的问题，本发明专利的目的在于提供一种基于轻量化神经网络的火焰检测算法。

2、为了解决上述问题，本发明专利所采用的技术方案如下：

3、一种基于轻量化神经网络的火焰检测算法，其特征在于，包括如下步骤：

4、s1、获取数据集，该数据集包含各类火灾图像；

5、s2、将数据集送入gs-yolov5s模型进行训练；

6、s3、将待测图像信息输入到训练好的模型中进行火灾目标检测。

7、作为本发明的一种优选方案，所述数据集按照7：2：1的比例分为训练集、测试集和验证集三个部分，并且三个部分中均包含负样本。

8、作为本发明的一种优选方案，所述负样本包括：车灯图像、路灯图像、太阳光图像和消防员图像。

9、作为本发明的一种优选方案，数据集中的图像缩放为640×640后依次进入改进后的gs-yolov5s的主干网络、颈部网络和头部网络进行处理。

10、作为本发明的一种优选方案，步骤s2中训练结束的检测结果包含检测模型的准确率、召回率、平均精度、模型整体参数量以及浮点运算量。

11、作为本发明的一种优选方案，所述改进型gs-yolov5s模型采用gs-c2模块替换原有gs-yolov5s模型中的c3模块。

12、作为本发明的一种优选方案，所述gs-c2模块将多个gs bottleneck模块通过分流的形式应用于跨阶段局部网络模块，所述gs bottleneck模块将两个gsconv串联之后再和标准卷积进行并联。

13、作为本发明的一种优选方案，lsk模块通过空间选择机制对由一个很大的卷积核分解成的一系列不同大小的卷积核提取出的特征进行加权，然后在空间上合并，在空间维度上自适应地聚合跨大内核的信息。

14、1.本发明使用的gsconv串联之后和标准卷积进行并联形成gs bottleneck模块，将多个gs bottleneck模块通过分流的形式应用于跨阶段局部网络模块形成gs-c2模块，并将gs-c2模块替换原有gs-yolov5s模型中的c3模块，能够有效实现模型轻量化；同时在跨阶段局部网络模块中使用gsconv的瓶颈结构，在保证轻量化的同时能够获得更加丰富的梯度信息。

15、2.对于lsk模块，通过空间选择机制对由一系列不同大小的卷积核提取出的特征进行加权，然后在空间上合并，在空间维度上自适应地聚合跨大内核的信息，能够动态地调整空间感受野，以便更好地模拟遥感场景中各种目标的上下文，提高了小目标检测的准确度。

技术特征：

1.一种基于轻量化神经网络的火焰检测算法，包括如下步骤：

2.根据权利要求1所述的一种基于轻量化神经网络的火焰检测算法，其特征在于，所述数据集按照7：2：1的比例分为训练集、测试集和验证集三个部分，并且三个部分中均包含负样本。

3.根据权利要求1所述的一种基于轻量化神经网络的火焰检测算法，其特征在于，所述负样本包括：车灯图像、路灯图像、太阳光图像和消防员服饰图像。

4.根据权利要求1所述的一种基于轻量化神经网络的火焰检测算法，其特征在于，数据集中的图像数据缩放为640×640后依次进入改进后的gs-yolov5s的主干网络、颈部网络和头部网络进行处理。

5.根据权利要求1所述的一种基于轻量化的神经网络的火焰算法，其特征在于，步骤s2中训练结束进行检测，检测的结果包含检测模型的准确率、召回率、平均精度map0.5、模型整体参数量以及浮点运算量。

6.根据权利要求1所述的一种基于轻量化的神经网络的火焰检测算法，其特征在于，所述改进型gs-yolov5s模型采用gs-c2模块替换原有yolov5s模型中的c3模块。

7. 根据权利要求1所述的一种基于轻量化神经网络的火焰检测算法，其特征在于，所述gs-c2模块将多个gs bottleneck模块通过分流的形式应用于跨阶段局部网络模块，所述gs bottleneck模块将两个gsconv串联之后再和标准卷积进行并联，gs-c2模块如图4所示。输入的特征通过split进行分流，其中一支通过 n个gs bottleneck进行特征提取，另一支直接与提取完成的特征进行拼接。

8.根据权利要求1所述的一种基于轻量化的神经网络的火焰检测算法，其特征在于，在gsconv中引入目标检测lsk模块，对由大的深度卷积核分解出的一系列不同大小的卷积核特征进行加权，然后在空间上拼接。

技术总结
本专利公开了一种基于轻量化神经网络模型的火焰检测算法，属于人工智能领域。本检测算法包括如下步骤：S1、数据集包含各类火灾图像；S2、将数据集送入GS‑YOLOv5s模型进行训练；S3、将待检测图像输入到训练好的模型中进行火焰目标检测。本发明将两个GSConv串联之后再和标准卷积进行并联形成GS bottleneck模块，将多个GS bottleneck模块通过分流的形式应用于跨阶段局部网络形成GS‑C2模块，并用GS‑C2模块替换原有YOLOv5s模型中的C3模块，能够有效实现模型轻量化；同时在跨阶段局部网络模块中使用GSConv的瓶颈结构，在保证轻量化的同时能够获得更加丰富的梯度信息；最后通过添加目标检测模块LSK，对火灾场景中不同大小目标尤其是小目标的上下文建模，提高了小目标检测的准确率。

技术研发人员：王婷,陈义鑫
受保护的技术使用者：南京林业大学
技术研发日：
技术公布日：2024/2/29