[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

说明书

本发明涉及有害气体异常检测技术领域，特别公开了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。本发明先拍摄了常见室内有害气体的红外图像，并对其进行标准，标签包括气体名称以及浓度，利用深度学习的目标检测方法，基于Pytorch深度学习框架，用数据集对YOLO V5模型进行训练，YOLO V5模型自身速度快、易操作、样本要求数量少，实现了基于目标检测的有害气体浓度检测。本发明利用深度学习的方法，进行目标检测，以解决现有室内有害气体浓度异常检测响应不及时、模型不鲁棒的问题。

技术领域

本发明涉及有害气体异常检测技术领域，特别涉及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。

背景技术

室内密闭环境下，一旦出现有害气体，如：甲醛、苯、氨气等，尤其是浓度过高，对人体具有很大的伤害，需要相关人员比如消防部门进行处理，这样不仅造成经济损失，也严重危害人民的身体安全。而且大部分有害气体也会对气候产生很大的影响，我国作为一个具有高度环保意识的大国，早在哥本哈根会议上承诺重视温室气体的减排，并立下10年减排45%的目标。寻找一种及时有效、全天候检测的有害气体检测方法顺应时代潮流，并且能够有效解决人员身体安全隐患，降低有害气体对环境的影响。

利用传统传感器进行检测具有很多弊端：(1)传感器一般价格较高，且需要专门的人员管理，人力物力消耗较大；(2)传统传感器一般灵敏度不够高，响应会有延迟出现；(3)传统传感器硬件及其容易故障。但随着科技进步，基于计算机机器视觉的目标检测算法开始广泛使用，检测精度以及检测速度也在不断提升，传统的传感器检测逐渐被基于计算机视觉的方法所取代。传统的机器学习一般基于规则进行检测，特征采取人为设计提取，一方面需要实验者大量实验对比，另一方面，特征设计主观性较强，模型泛化能力不够。所以我们可以利用深度学习来进行有害气体异常检测。但是目前的研究大多聚焦于森林火灾之类的视频烟雾检测。本发明针对红外成像技术下，利用目标检测方法对室内有害气体浓度进行检测。

发明内容

本发明为了弥补现有技术的不足，提供了一种响应及时、模型鲁棒、检测结果准确的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。

本发明是通过如下技术方案实现的：

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，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；

虽然关于目标检测的研究非常多，但是室内有害气体的数据比较匮乏，并且带有浓度标签的更加的少。针对这个问题，本发明通过和化学实验室合作，对不同浓度的常见有害气体拍摄大量的红外图像；

（2）使用LabelImg系统生成红外图像有害气体标注信息的txt文件，包含有害气体的位置、类别浓度等信息，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。

本发明的更优技术方案为：

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。