[发明专利]一种基于目标检测的多种室内有害气体浓度异常检测方法及系统

权利要求书

1.一种基于目标检测的多种室内有害气体浓度异常检测方法，其特征为，包括如下步骤：（1）对空气中不同浓度的有害气体拍摄红外图像；（2）使用LabelImg系统生成红外图像有害气体标注信息的txt文件，并进行数据增强扩充数据集，建立一个面向红外条件下的有害气体图像数据集，并划分测试集和训练集；（3）构建YOLO V5模型，YOLO V5模型的主要部分由输入端、特征提取部分、Neck部分和Head部分组成，在YOLO V5模型中，对CSPDarkNet53进行改进，变为CSP*_X，并且使用更好的回归损失函数与改进后的非极大抑制，得到更高的目标检测精度；（4）使用训练集训练YOLO V5模型，模型的优化算法采用Adam方法，学习率设置为0.001，通过训练得到检测模型；（5）使用测试集测试训练好的YOLO V5模型的性能，根据精度和召回率得到P-R曲线，其下方面积为平均精确度，每种浓度有害气体对应得到一个AP值，进而计算目标检测的平均精度，衡量检测算法的精度。

2.如权利要求1所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：步骤（2）中，利用工具LabelImg对图像进行标注过程中，用LabelImg工具选取目标，并输入选取目标的标签，然后LabelImg会将标注好的信息存入指定的文件夹中，格式为XML格式，XML文件中存有被标注的有害气体的类别浓度、标注框左上角X和Y的坐标和标注框右下角X和Y的坐标。

3.如权利要求1所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：步骤（3）中，根据网络深度大小和特征图深度大小，将YOLO V5模型分为YOLO V5s、YOLO V5m、YOLO V5l、YOLO V5x，其中，选择YOLO V5s模型，采用单个神经网络直接预测物品边界和类别概率，并基于Pytorch深度学习框架，用训练接对YOLO V5s进行训练。

4.如权利要求1所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：步骤（3）中，在YOLO V5模型的输入端，加入Moasic数据增强、自适应锚框计算、自适应的图片缩放，对红外图像进行处理；在特征提取部分加入Focus结构，对输入图像进行切片操作，再经过一次32个卷积核的卷积操作，最终得到的特征图；Neck部分对特征图进行分类和分割，采用特征金字塔网络FPN和PAN网络；Head部分中使用加权非极大抑制，在剔除锚框的过程中，将锚框中的置信度作为权值，得到新的矩形框，把该矩形框作为最终预测的矩形框，再将较低分数的锚框剔除。

5.如权利要求4所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：所述特征金字塔网络由自上而下和自下而上两个部分组成，其中自上而下的网络用于提取有害气体浓度的红外图像的特征，自下而上的部分用于融合不同尺度的特征信息，PAN网络和FPN网络共同使用，创建自下而上的增强路径，用于缩短信息路径，利用存储的精确定位信号，底层基础信息向高层传播以进行分类和分割。

6.如权利要求4所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：所述YOLO V5模型中，采用其中的GIOU_Loss做Bounding box的损失函数：；而总的损失函数为：L＝GIoU_Loss+Lconf+Lcls，GIoU_Loss为回归锚框的loss，Lconf为置信度的loss，Lcls为分类的loss。

7.如权利要求1所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：步骤（4）中，训练过程中，交并比IOU＞0.7的部分，是前景目标；当IOU＜0.3时，是背景目标。

8.如权利要求1所述的基于目标检测的多种室内有害气体浓度异常检测方法，其特征在于：步骤（5）中，精度和召回率的计算公式为：，；其中，TP表示正确检测的有害气体数量，FP表示错误检测有害气体的数量，FN表示未检测到的有害气体的数量。

9.实现权利要求1所述的基于目标检测的多种室内有害气体浓度异常检测方法的系统，其特征在于：包括依次连接数据收集与处理模块、训练模块、测试模块和封装模块。