本發(fā)明圖像檢測(cè)領(lǐng)域，具體地，涉及一種基于改進(jìn)yolov5的火災(zāi)圖像檢測(cè)方法、一種基于改進(jìn)yolov5的火災(zāi)圖像檢測(cè)裝置、一種計(jì)算機(jī)設(shè)備及一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、乙烯工業(yè)是石油化工產(chǎn)業(yè)的核心，是衡量一個(gè)石化發(fā)展水平的重要標(biāo)志之一。2021年世界乙烯總產(chǎn)能達(dá)到2.1億噸/年，同比增長6.2％，世界新增乙烯產(chǎn)能的67％來自中國，與之對(duì)應(yīng)的安全問題也日益凸顯。

2、近期發(fā)生了多起乙烯裝置火災(zāi)事故，及時(shí)發(fā)現(xiàn)乙烯生產(chǎn)裝置突發(fā)火災(zāi)是亟需解決的問題。為了減少火災(zāi)事故引發(fā)的多米諾事故及各種損失，乙烯生產(chǎn)裝置初期火災(zāi)檢測(cè)就顯得尤為重要。

3、目前，針對(duì)乙烯生產(chǎn)裝置事故引發(fā)的火焰及煙霧檢測(cè)問題，主要有兩種解決方案。第一種方案借助傳感器技術(shù)，如火焰?zhèn)鞲衅骰驘熿F傳感器實(shí)現(xiàn)火情檢測(cè)。第二種方案利用神經(jīng)網(wǎng)絡(luò)提供的實(shí)時(shí)對(duì)象檢測(cè)算法，如alexnet、rcnn、yolo或ssd算法等。

4、基于傳感器的傳統(tǒng)點(diǎn)式接觸型火災(zāi)探測(cè)器，適用場(chǎng)所多為密閉空間或半密閉空間。由于火災(zāi)檢測(cè)器接觸性檢測(cè)的性質(zhì)，傳感器在火災(zāi)產(chǎn)生煙霧后或可燃物燃燒釋放大量熱量后進(jìn)行響應(yīng)，且無法準(zhǔn)確定位火災(zāi)大小和詳細(xì)位置，經(jīng)常會(huì)出現(xiàn)誤判等問題，無法及時(shí)檢測(cè)火災(zāi)，在生產(chǎn)裝置位于非密閉空間的煉化企業(yè)應(yīng)用效果欠佳。因此企業(yè)也會(huì)通過安排工作人員巡檢的方式進(jìn)行裝置檢查，受主客觀因素影響，制約了檢測(cè)效率，檢測(cè)成本也較高。

5、現(xiàn)有深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可分為雙步目標(biāo)檢測(cè)算法和單步目標(biāo)檢測(cè)算法，雙步目標(biāo)檢測(cè)算法訓(xùn)練時(shí)間較長，模型速度慢以及誤報(bào)率高。單步目標(biāo)檢測(cè)算法精度較低，探測(cè)距離較近，對(duì)小物體的檢測(cè)效果不好。目前火災(zāi)識(shí)別方法還存在一些亟需解決的問題，如場(chǎng)景不夠完善，訓(xùn)練集樣本多為弱光源下的火焰，小火焰檢測(cè)準(zhǔn)確率低，在時(shí)間、空間上沒有達(dá)到全周期、全覆蓋，無法有效滿足煉化企業(yè)運(yùn)行、廠區(qū)設(shè)備分布廣和小目標(biāo)檢測(cè)的特點(diǎn)。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中圖像識(shí)別算法無法有效檢測(cè)的技術(shù)問題，本發(fā)明提供了一種基于改進(jìn)yolov5的火災(zāi)圖像檢測(cè)方法及裝置，能夠提高對(duì)乙烯裝置小目標(biāo)火焰檢測(cè)準(zhǔn)確率。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供的一種火災(zāi)圖像檢測(cè)方法包括以下步驟：對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行處理，并將處理后的火災(zāi)圖像數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集和測(cè)試集；構(gòu)建yolov5目標(biāo)檢測(cè)模型；其中，所述yolov5目標(biāo)檢測(cè)模型包括cbma模塊及上下特征融合模塊；采用貝葉斯優(yōu)化算法，基于訓(xùn)練集和測(cè)試集中的樣本數(shù)據(jù)對(duì)yolov5目標(biāo)檢測(cè)模型進(jìn)行模型訓(xùn)練，得到改進(jìn)yolov5目標(biāo)檢測(cè)模型；使用改進(jìn)yolov5目標(biāo)檢測(cè)模型進(jìn)行火災(zāi)圖像檢測(cè)。

3、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述方法還可包括：采集火災(zāi)圖像數(shù)據(jù)，包括：基于網(wǎng)頁爬蟲技術(shù)從目標(biāo)網(wǎng)站抓取并下載火災(zāi)圖片；和/或?qū)馂?zāi)視頻進(jìn)行抽幀處理，獲得火災(zāi)圖片，作為火災(zāi)圖像數(shù)據(jù)。

4、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行處理，可包括：采用高斯噪聲、mixup、cutmix和生成對(duì)抗網(wǎng)絡(luò)對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)和擴(kuò)充處理。

5、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述火災(zāi)圖像數(shù)據(jù)集包括可見光火災(zāi)圖像數(shù)據(jù)集和紅外光火災(zāi)圖像數(shù)據(jù)集；所述對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行處理，還包括：使用加權(quán)平均對(duì)紅外光火災(zāi)圖像數(shù)據(jù)集進(jìn)行灰度處理，所述灰度處理如式(1)；利用大律法閾值分割對(duì)灰度處理后的紅外光火災(zāi)圖像數(shù)據(jù)集進(jìn)行二值化處理；

6、gray＝0.299r+0.587g+0.114b?????(1)

7、式(1)中，gray為灰色值；r為紅色值；g為綠色值；b為藍(lán)色值

8、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行處理，還可包括：對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行代碼讀取，獲取rgb值和hsv值的火災(zāi)圖像數(shù)據(jù)集。

9、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述方法還可包括：采用labelimg標(biāo)注工具對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行標(biāo)注。

10、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述cbma模塊包括通道注意力機(jī)制和空間注意力機(jī)制；所述通道注意力機(jī)制可包括：將輸入的特征層進(jìn)行最大池化和平均池化，得到通道維度的特征數(shù)據(jù)和通道注意力的特征層；將通道維度的特征數(shù)據(jù)進(jìn)行共享多層感知器提取特征數(shù)據(jù)；將特征數(shù)據(jù)相加，通過函數(shù)激活，得到通道注意力權(quán)重，通過式(2)計(jì)算出通道注意力機(jī)制的特征映射：

11、

12、式(2)中，f′為通道注意力機(jī)制輸出的特征映射，f為輸入的特征矩陣；mc為通道壓縮權(quán)值矩陣；為矩陣元素依次相乘；

13、所述空間注意力機(jī)制可包括：將通道注意力的特征層進(jìn)行最大池化和平均池化，得到空間維度的特征數(shù)據(jù)和空間注意力的特征層；將空間維度的特征數(shù)據(jù)堆疊，提取特征，通過函數(shù)激活，得到空間注意力權(quán)重；根據(jù)通道注意力機(jī)制的特征映射，通過式(3)計(jì)算出空間注意力機(jī)制的特征映射：

14、

15、式(3)中，f″為空間注意力機(jī)制輸出的特征映射，ms表示空間注意力機(jī)制輸出的特征矩陣，f′為通道注意力機(jī)制輸出的特征映射，為矩陣元素依次相乘。

16、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述上下特征融合模塊可包括：對(duì)通道注意力機(jī)制的特征映射和空間注意力機(jī)制的特征映射采用神經(jīng)網(wǎng)絡(luò)，得到目標(biāo)特征；將上下特征通道設(shè)置為目標(biāo)特征的一半，分別進(jìn)行歸一化和函數(shù)激活，得到上下特征通道數(shù)據(jù)；將上下特征通道數(shù)據(jù)和目標(biāo)特征拼接，實(shí)現(xiàn)上下特征融合。

17、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述采用貝葉斯優(yōu)化算法，基于訓(xùn)練集和測(cè)試集中的樣本數(shù)據(jù)對(duì)yolov5目標(biāo)檢測(cè)模型進(jìn)行模型訓(xùn)練，可包括：若預(yù)定迭代條件下，損失函數(shù)達(dá)到預(yù)定值，迭代結(jié)束，得到優(yōu)化超參數(shù)；若預(yù)定迭代條件下，損失函數(shù)未達(dá)預(yù)定值，則選取最小值的損失函數(shù)，得到優(yōu)化超參數(shù)；根據(jù)優(yōu)化超參數(shù)，得到改進(jìn)yolov5目標(biāo)檢測(cè)模型。

18、在本發(fā)明的一個(gè)示例性實(shí)施例中，所述使用改進(jìn)yolov5目標(biāo)檢測(cè)模型進(jìn)行火災(zāi)圖像檢測(cè)，可包括：使用改進(jìn)yolov5目標(biāo)檢測(cè)模型對(duì)重點(diǎn)區(qū)域可見光圖像視頻和紅外光圖像視頻進(jìn)行火災(zāi)識(shí)別檢測(cè)，獲得可見光圖像視頻和紅外光圖像視頻置信度最高的火災(zāi)識(shí)別檢測(cè)結(jié)果；根據(jù)火災(zāi)識(shí)別檢測(cè)結(jié)果判斷是否發(fā)生火災(zāi)，若火災(zāi)識(shí)別檢測(cè)結(jié)果大于可信閾值，則發(fā)生火災(zāi)；若火災(zāi)識(shí)別檢測(cè)結(jié)果小于可信閾值，則未發(fā)生火災(zāi)。

19、本發(fā)明的另一方面提供了一種基于改進(jìn)yolov5的火災(zāi)圖像檢測(cè)裝置，可包括：數(shù)據(jù)處理模塊，用于對(duì)火災(zāi)圖像數(shù)據(jù)集進(jìn)行處理，并將處理后的火災(zāi)圖像數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集和測(cè)試集；模型構(gòu)建模塊，用于構(gòu)建yolov5目標(biāo)檢測(cè)模型；其中，所述yolov5目標(biāo)檢測(cè)模型包括cbma模塊及上下特征融合模塊；采用貝葉斯優(yōu)化算法，基于訓(xùn)練集和測(cè)試集中的樣本數(shù)據(jù)對(duì)yolov5目標(biāo)檢測(cè)模型進(jìn)行模型訓(xùn)練，得到改進(jìn)yolov5目標(biāo)檢測(cè)模型；圖像檢測(cè)模塊，用于使用改進(jìn)yolov5目標(biāo)檢測(cè)模型進(jìn)行火災(zāi)圖像檢測(cè)。

20、本發(fā)明的再一方面提供了一種計(jì)算機(jī)設(shè)備，包括：至少一個(gè)處理器；存儲(chǔ)有程序指令的存儲(chǔ)器，其中，所述程序指令被配置為由所述至少一個(gè)處理器執(zhí)行，所述程序指令包括用于執(zhí)行根據(jù)上述的基于改進(jìn)yolov5的火災(zāi)圖像檢測(cè)方法的指令。

21、本發(fā)明的又一方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于改進(jìn)yolov5的火災(zāi)圖像檢測(cè)方法。

22、通過本發(fā)明提供的技術(shù)方案，本發(fā)明至少具有如下技術(shù)效果：

23、1)本發(fā)明優(yōu)化了可見光成像效果較差下的目標(biāo)檢測(cè)準(zhǔn)確率；

24、2)通過使用生成對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng)，訓(xùn)練網(wǎng)絡(luò)使生成網(wǎng)絡(luò)與對(duì)抗網(wǎng)絡(luò)達(dá)到納什均衡，豐富了數(shù)據(jù)增強(qiáng)方式，增加了火災(zāi)小目標(biāo)樣本數(shù)據(jù)集；

25、3)使用貝葉斯優(yōu)化算法進(jìn)行超參數(shù)調(diào)優(yōu)，通過調(diào)整學(xué)習(xí)率、批量尺寸、迭代次數(shù)、激活函數(shù)、損失函數(shù)系數(shù)等超參數(shù)，達(dá)到最佳檢測(cè)性能；

26、4)本發(fā)明加入卷積注意力機(jī)制以及上下特征融合機(jī)制，卷積注意力機(jī)制可以提高目標(biāo)特征權(quán)重，降低背景特征權(quán)重，讓模型獲得需要重點(diǎn)關(guān)注的目標(biāo)區(qū)域；上下文特征融合機(jī)制可以融合豐富的位置特征及語義特征，提高了模型對(duì)小目標(biāo)火焰檢測(cè)準(zhǔn)確率。

27、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的具體實(shí)施方式部分予以詳細(xì)說明。