(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210897534.3 (22)申请日 2022.07.28 (71)申请人 烟台大学 地址 264005 山东省烟台市莱山区清泉路 30号 (72)发明人 王璇　宋永超　吕骏　徐金东　 阎维青　王莹洁　赵金东　王金政　 (74)专利代理 机构 北京深川专利代理事务所 (普通合伙) 16058 专利代理师 孟莲 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的烟火检测方法 (57)摘要 本发明公开了一种基于卷积神经网络的烟 火检测方法， 目的在于搭建一个轻量级， 速度快， 成本低的烟火检测平台， 实现对烟火的高效检 测， 实现了一种更加轻量级的网络， 可 以部署于 移动设备上， 能够缓解人工监控的压力， 降低监 控成本。 本发 明基于人工智能视频分析和深度学 习技术， 能够不依赖其他传感设备， 实现对视频 监控区域内的烟雾与火焰的检测与识别， 并及时 进行预警。 本发 明涉及智慧城市智能安防技术领 域。 权利要求书2页 说明书6页 附图4页 CN 115294520 A 2022.11.04 CN 115294520 A 1.一种基于卷积神经网络的烟火检测方法， 其特 征在于， 包括如下步骤： 步骤1， 利用网络爬虫和开源数据集对不同场景下的烟雾和火灾场景图像进行保存， 并 且采用人工标注的方式对图像中烟雾和火灾场景进 行分块标注， 保存格式为VOC格式， 将标 注的图片划分为训练集和验证集； 步骤2， 将步骤一获得的VOC格式标签和图像通过脚本转化给YOLO格式标签的txt文件， 并作为初始训练集和验证集； 对项目中的初始的数据集进行Mosaic数据增强， 自适应锚框 计算， 其中Mosaic是将图像进行 随机缩放， 裁剪， 排布的方式进行拼接， 增加 了对小目标火 焰和烟雾的检测效果； 步骤3， 通过比例缩放的方式， 将每张图像设置为相同的输入尺寸640 ×640作为初始输 入数据； 步骤4， 将进行数据增强后的数据集送入改进的YOLOv5s模型对图像中烟雾与火焰的特 征提取进行迭代训练； 步骤5， 网络在初始锚框的基础上输出预测框， 进而和真实框groundtruth进行比对， 计 算两者差距， 再反向更新， 迭代网络参数， 最后将步骤4中训练模型 的最好权重文件结果进 行保存。 2.根据权利要求1所述的一种基于卷积神经网络的烟 火检测方法， 其特征在于， 所述步 骤2包括如下子步骤： 步骤2.1： 将获取的VOC格式xml文件通过脚本转化为YOLO格式对应 的txt文件， 其中脚 本完成步骤就是将VOC格式标签中图像的实际宽高， 标注框的左上角和右下角坐标， 进 行归 一化处理转化为YOLO格式标签中标注框的中心坐标以及标注框的宽和高； 归一化的中心坐标计算公式(1)如下： 其中， x,y为图像的坐标； 归一化框的高和宽计算公式(2)如下: 步骤2.2： 将对数据集使用自适应锚框算法， 以真实的边框位置相对于预设边框的偏移 来构建； 一个Anchor  Box由边框的纵横比和边框的面积来定义， 相当于一系列预设边框的 生成规则， 根据Anchor  Box， 可以在图像的任意位置， 生成一系列的边框， 其中边框的计算 公式如(3)所示： 。 3.根据权利要求1所述的一种基于卷积神经网络的烟 火检测方法， 其特征在于， 所述步权　利　要　求　书 1/2 页 2 CN 115294520 A 2骤4包括如下子步骤： 步骤4.1： 将步骤3中进行过Mosaic数据增强处理的图像输入改进后的YOLOv5模型中 BackBone层中； 在原有YOLOv5的基础上加入了 CBAM注意力模块， 其中CBAM公式(4)如下： 步骤4.2： 其中被送入BackBone层中的数据将经过CBAM的通道注意力模块进行特征提 取， 对输入特征图在空间维度分别进行最大池化和平均池化， 然后分别经过一个共享权重 的MLP， 然后将两者的输出做逐元素的相加， 再经过sigmoid激活函数， 得到通道注意力权 重， 将该权 重和输入特 征图做逐 元素的乘法； 其中权系数Mc(F)矩阵公式(5)如下： 其中， σ 为Sigmoid激活函数， W0， W1为MLP的权重， W0∈RC/r×C， W1∈RC/r×C， 并且r＝16为还 原比； 步骤4.3： 其中空间注意力模块注重特征位置的区分和通道注意力机制的补充， 在通道 维度上分别采用平均池化和最大池化， 在最大池化和平局池化之后结合 和 两个特征 映射。 对7×7卷积核进行降维滤波， 将信道数减至1； 最后利用Sigmoid激活函数得到空间注 意特征图； 其中空间注意力的权系数Ms(F)矩阵公式(6)如下： 步骤4.4： 随后将BackBone层提取特征输入至Head层随后输出特征图， 同时图像被划分 为小方块并生成锚框， 将标注的预测框和特征图进行关联， 最后建立损失函数并开启端到 端的训练， 其中损失函数如公式(7)所示： 其中ρ2(b,bgt)代表了预测框和 真实框的中心点的欧式距离， c代表的是能够同时包含 预测框和真实框的最小闭包区域的对角线距离。 v用来衡量两个矩形框相对比例的一致性， α 是权重系数： 。 4.根据权利要求1所述的一种基于卷积神经网络的烟 火检测方法， 其特征在于， 所述训 练集和验证集的划分比例为8 :2。权　利　要　求　书 2/2 页 3 CN 115294520 A 3