CN115457428B 融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置 （应急管理部沈阳消防研究所）

QibinHouetal.CoordinateAforEfficientMobileNetworkIEEE/CVFConferenceonComputandPatternRecognition.2021融入可调节坐标残差注意力的改进YOLOv5本发明提供了一种融入可调节坐标残差注点火实验收集的不同火灾程度的视频数据和第为第一图片数据和第二图片数据添加火焰和/或2构建火灾数据集，所述火灾数据集包括在实验室点建立融入可调节坐标残差注意力的改进YOLOv5神经网络，利用所述将所述火灾检测模型部署到移动端，在所述移动端接收到摄像头捕后，由所述移动端利用所述火灾检测模型对所述实时视频数据进行火灾目标的检测与识所述建立融入可调节坐标残差注意力的改进YOLOv5神经网络包括：所述可调节坐标残差注意力机制最终输出表,conv1(-)分别表示卷积核为1xl的卷积操作，de(0,1)为超参数，可自动调节水平和垂直方向上的特征权重；32.根据权利要求1所述的方法，其特征在于，所述融入可调节坐标残差注意力的改进其中，骨干网络Backbone用于从输入图像中提取关键特征；3.根据权利要求2所述的方法，其特征在于，所述骨干网络New模块以替代原YOLOv5神经网络中的Bottleneck_CSP所述Bottleneck_CSP_New模块包括第一模块和第二模块；所述第一模块使用1x1的卷模块将输入特征不经过任何变化与第一模块的输出进行shortcut连接操作，最后经过BN+Relu和普通的Conv.2Dxl卷积后,该Lurov损失函数为模型的总损失函数，具体如下：,其中，A、B分别表示预测检测框和目标检测框，a和B分别表示预测检测框的中心点和目标检测框，p表示两个中心点之间的欧氏r设置为1，r设置为2，"为预测5.一种融入可调节坐标残差注意力的改进YOL数据收集模块，用于构建火灾数据集，所述火灾数据集包括模型建立模块，用于建立融入可调节坐标残差注意力的改进YOLOv5神模型部署模块，用于将所述火灾检测模型部署到移动端，在所述46.一种计算机可读存储介质，其特征在于，所述处理器用于根据所述程序代码中的指令执行权利要求1_4任一项5[0003]中国专利申请CN113869567A记载了一种应用于多场景的基于火灾预测信息的控[0004]Muhammad等人[MuhammadK,AhmadJetal(2019)EfficientdeepCNN_basedfiredetectionandlocalizationinvideosurveillanceapplications.ofautomaticfirealarmsystembasedonvirtualinstrument.JTianjinUniv用于火灾监控和报警技术[ToptasB,HanbayD.Anewartificialbeecolonyalgorithm_basedcolorspaceforfire/flamedetection[J].SoftComputing,2019shotmultiboxdetecto数据增强和修改默认框的比例和数量来检测图像中的火灾，但其准确率仅达到84.75%。Shen等人[ShenD,ChenX,YanW(2018)Flamedetectionusingdeeplearning.In:Proceedingsofthe20184thinternationalconferenceoncontrol6[0006]上述基于数字图像处理的火灾识别技术的难点在于火焰目标的分割和提取。以种融入可调节坐标残差注意力的改进YOLOv5火灾j)=x,(ij)·g(i)·g"(j)[0018]其中，x,(i,)表示输入特征图，g(i)和g(j)分别表示两个空间方向的注意力权重。7[0021]其中fheRC/XA和fweRC/exw分别为特征F在两个方向上信息分解的特征张BN+Relu和普通的Conv.2Dxl卷8所述第一图片数据和第二图片数据添加火焰和/行火灾目标的检测与识别。像特征的基础上，本发明提出了本发明提供了一种融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置。本发明采用YOLOv5神经网络可以自动提取和学习图像的特围的信息，提高了对小目标和模糊烟雾边界的检测精度。同时，改进了主干网络中的[0049]上述说明仅是本发明技术方案的概述，为了能够更清楚[0052]图1示出了本发明实施例的融入可调节坐标残差注意力的改进YOLOv5火灾检测方9[0056]图5示出了本发明实施例的融入可调节坐标残差注意力的改进YOLOv5火灾检测装[0058]本发明实施例提供了一种融入可调节坐标残差注意力的改进YOLOv5火灾检测方和(1,w分别对水平和垂直方向特征进行编码，高度为h、宽度为w的第c通道的输出分别表为宽度为w的第c通道的输出，Xc为c通道的输入图像特征。上述两个变换将特征与两个空重从一个空间方向的输入特征图中捕获远程[0070]在空间维度上拼接上述两种变换，并使用1×1卷积来压缩通道。然后使用j)=x,(ij)·g(i)·g"(j)i、j分表表示当前向量的高和宽。g(i)和g(j)分别表示两个空间方向的注意权重。公式表[0075]其中fheRC/XA和fweRC/exw分别为特征F在两个方向上信息分解的特征张方向上具有不同的变化特征。因此，通过超参数分输入特征映射直接与输出特征图相连的另一个分支的深度，大大减少了模块中的参数数[0082]图4示出了本发明实施例的改进原BottleneckCSP模块的前后对比示意图。原始Bottleneck_CSP模块分为Bottleneck和CSP两部分，输入的特征经过两个不同的模块，首过一个Conv.2Dxl模块，不再经过BN和激活函数。其次是第二个模块，输入特征BN+Relu和普通的Conv.2Dxl[0085]一、首先，将标注好的数据集按照神经网络要求的格式进行输入。输入端采用通过32个卷积核组成的卷积层形成大小为32×320×320的输出特征映射。最后，通过BN层[0090]BottleneckCSP_New模块是骨干网络的第三层，其设计目的是更有效地提取图像终输出是该部分的输出和通过残差结构的初始输入的总和。BottleneckCSP_New模块的第BottleneckCSP_New模块输出的特征图，即CXHXW，使用池化核(H,1)和(1,w分别对水平金字塔对于帮助模型在未知数据上表现良好非常有益。IoU_Loss无法区分两者交集的区别。DIoU_loss通过考虑两个框的重叠面积和中心点的距火灾检测模型对输入的视频流的每一帧图像进行特征分析，判断其是否有烟雾目标和/或[0111]本发明实施例还提供了一种融入可调节坐标残差注意力的改进YOLOv5火灾检测收集的不同火灾程度的视频数据和第一图片数据，从所述视频数据中提取第二图片数据，