[发明专利]一种基于YOLOv3的火焰及浓烟检测方法

权利要求书

1.一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：包括以下步骤：

步骤1，收集包含火焰和浓烟的图像，分别建立火焰初始数据集和浓烟初始数据集；

步骤2，分别对火焰和浓烟初始数据集中的图像进行数据增强操作以扩充数据集，对扩充后数据集进行标注，按随机方式分别从扩充后的火焰和浓烟数据集中选择p％作为火焰训练数据集和浓烟训练数据集，对应数据集的剩余部分分别作为火焰测试数据集和浓烟测试数据集；

步骤3，使用火焰训练数据集和浓烟训练数据集分别训练YOLOv3卷积神经网络，得到火焰检测模型和浓烟检测模型，并通过模型融合得到火焰和烟雾融合检测模型；

步骤4，在现有视频监控系统中增加火焰和烟雾检测模块；

步骤5，基于视频监控系统的摄像头实时采集监控场景视频，并基于ffmpeg框架从视频中提取图像帧；

步骤6，采用融合检测模型对每帧图像进行检测，确定图像中有无火焰及浓烟并标出它们的位置；

步骤7，当检测到火焰或浓烟时，将检测结果图像传回监控终端并报警，联动自动消防设备，摄像头对火情实时监控。

2.根据权利要求1所述的一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：所述步骤1具体包括：

步骤1-1，通过自行拍摄和网上爬虫获得包含火焰和浓烟的图像和视频；

步骤1-2，采用ffmpeg框架从火焰视频中提取火焰和浓烟图像帧，对所有图像标注火焰和浓烟区域，分别生成VOC格式的火焰数据集和浓烟数据集。

3.根据权利要求1所述的一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：所述步骤3具体包括：

步骤3-1，在tensorflow平台下，分别采用火焰训练集和浓烟训练集训练YOLOv3模型；YOLOv3卷积神经网络以数据集中的二维图像作为输入，以与输入二维图像上对应目标的位置和类别预测置信度为输出；

步骤3-2，依据选择的损失函数，利用梯度下降反向传播方法，对YOLOv3模型中的深度卷积神经网络的参数进行迭代更新，将迭代至最大设定次数后得到的网络参数作为最优的网络参数，完成训练，得到初步的火焰检测模型和浓烟检测模型；

步骤3-3，使用测试集对初步的火焰检测模型和浓烟检测模型分别进行测试，根据测试结果调整网络结构，将无法检测或检测错误的图片加入训练集，并重新训练直至测试结果达到预期为止，得到最终的火焰检测模型和浓烟检测模型；

步骤3-4，取并集融合火焰检测模型和浓烟检测模型的结果，得到火焰和烟雾融合检测模型。

4.根据权利要求1所述的一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：所述步骤5具体包括：

步骤5-1，摄像头通过无线或硬件接线的方式与计算机连接，将实时拍摄的视频输入计算机；

步骤5-2，基于ffmpeg框架每n帧提取一张图像，当现场环境的光通量、亮度和照度效果不满足预期时对提取的图像进行预处理操作；所述预处理操作包括去噪、对比度增强、亮度和饱和度调整。

5.根据权利要求1-4任一所述的一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：所述YOLOv3卷积神经网络，使用Darknet-53基础卷积网络。

6.根据权利要求5所述的一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：所述YOLOv3卷积神经网络，采用3个不同尺度的特征图进行对象检测，低层的特征图是第26层卷积层的输出，检测到的火焰/浓烟区域的长宽小于原图像尺寸的0.1；高层的特征图是第52层卷积层的输出，检测到的火焰/浓烟区域的长宽超过原图像尺寸的0.5；中层的特征图是第43层卷积层的输出，检测到的火焰/浓烟区域的长宽不小于原图像尺寸的0.1且不超过原图像尺寸的0.5。

7.根据权利要求6所述的一种基于YOLOv3的火焰及浓烟检测方法，其特征在于：所述YOLOv3卷积神经网络，使用了9个尺度的先验框，分别是：(10×13)，(16×30)，(33×23)，(30×61)，(62×45)，(59×119)，(116×90)，(156×198)，(373×326)。