[发明专利]基于改进YOLOV5的火灾检测方法

权利要求书

1.基于改进YOLOV5的火灾检测方法，包括火灾检测系统和改进后的YOLOv5目标检测算法，其特征在于：所述火灾检测系统包括监控部分、图像处理部分和报警部分组成，其中监控部分为摄像机监控，通过摄像机对所监控的区域实时监测，并将图像传输到图像处理部分，图像处理部分用于判断是否有火灾发生，报警部分为声音报警器，当确定发生火灾时，开始报警；

YOLOv5目标检测算法由三个部分组成，第一部分为输入端，输入图片通过数据增强、自适应锚框计算以及自适应图片缩放，得到640*640大小的图片；第二部分为主干网络，其使用的是CSPDarknet53网络，通过Conv层和C3层来对图像进行缩放和特征提取，从而获得更丰富的信息特征；第三部分为颈部，采用多尺度检测的方法，将特征金字塔网络结构(FPN)与自上而下的路径聚集网络结构(PAN)相结合，达到对20×20、40×40和80×80这三个不同尺度的特征图进行融合以及预测的目的；YOLOv5目标检测算法包括Involution算子、CA注意力模块、改进后的边框回归损失函数和改进后的网络架构；

Involution算子：在传统的卷积操作中，由于感受野的大小限制，特征图无法获取空间上长距离关系，同时，在不同输出通道采用不同的卷积核会产生信息冗余，为此，使用一种可以提高获取特征提取的算子(Involution)，该算子在不改变通道数的前提下，给特征图的空间上不同位置飞陪不同的权重，从而避免传统卷积操作的空间无关性，可以更好的对图像进行特征提取；该算子由两个部分组成，第一部分为生成卷积核，计算公式如下：

H_i，j＝φ(x_i，j)＝w₁σ(w₀x_i，j) (1)

式中，x_i，j表示特征图位置为(i,j)的特征向量，w₀和w₁为1×1的卷积，目的是对特征图通道数进行缩放，σ是对特征图进行BN和rule操作；

通过φ变换，可以得到对应通道数的权重值，在进行重新排列，最终可以得到所需大小的卷积核，由于采用分组操作，此时获取的卷积核通道数为G，小于原特征图通道数，故要对其进行组内广播操作，从而最终获取大小为K×K×C的卷积核；

第二部分为计算内卷积，将特征图上x_i，j的点扩展到K×K大小，再与卷积核进行multiply-add操作，输出最终结果；

CA注意力模块：为了更好的使模型从大量信息中筛选出少量重要信息，使用一种将位置信息嵌入到通道注意力的坐标注意力机制(Coordinate,CA)；

CA注意力模块由两个部分组成，第一部分为坐标信息嵌入，分别对特征图的高度和宽度两个方向进行全局平均池化，如公式(2)、(3)所示：

第二部分为坐标特征图生成，将池化后的特征图进行拼接后，通过1×1的卷积降维，再将得到的特征图进行BN和sigmoid操作后，将特征图分为2个单独的张量，经过sigmoid激活函数得到在宽度和高度上的注意力权重和通过i和j两个参数可以定位到输入图像的相应位置x_c(i，j)，最终得到输出特征图，如公式(4)所示：

改进后的边框回归损失函数：YOLOv5的损失函数是由三部分组成的，分别是分类损失、定位损失和置信度损失，总损失函数为三者和；在YOLOv5网络结构中，使用CIoU loss作为定位损失，CIoU将目标和边框之间的距离、重叠率、尺度以及惩罚项都考虑进去，使得目标框回归变得更加稳定，如公式(5)所示：

其中：

式中，IoU为预测框与真实框的交并比，ρ(b，b^gt)为预测框与真实框的中心点的欧式距离，c为可以同时包含预测框和真实框的最小区域的对角线长度，α为权重系数，目的是使得损失函数向更大的重叠区域方向进行优化，v为横量预测框与真实框的高度和宽度的相似度；

为了提高模型的回归精度，在CIoU的基础上提出了一种新的IoU损失函数，即α-CIoU，如公式(9)所示，α-CIoU在CIoU的基础上引入幂运算，可以自适应的改变CIoU的各项参数大小；

α-CIoU Loss相较于CIoU Loss，可以更好的提高精度；

改进后的网络架构：为了更好的提高特征提取能力，准确的识别火灾，采用带有下采样的Involution算子，为避免下采样导致图片过小而导致信息丢失，只增加一层Involution算子，为了降低卷积操作给第一层拼接操作带来的信息冗余，将该算子放置于第二层Conv后，除此之外，为了可以进一步关注重点信息，在主干网络的第三个C3层后加图注意力机制模块，最终，特征图的检测尺度变为10×10、20×20和40×40这三个不同尺度。