(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 202210494875.6 (22)申请日 2022.05.07 (71)申请人 中北大学 地址 030051 山西省太原市尖草 坪区学院 路3号 (72)发明人 王斌　赵倩　温雷华　吕麒鹏　 石扬　 (74)专利代理 机构 太原科卫专利事务所(普通 合伙) 1410 0 专利代理师 朱源 (51)Int.Cl. G06V 20/40(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/25(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于改进YOL Ov4-tiny的轻量化抗干扰 火焰检测方法 (57)摘要 火焰探测作为火灾防治的重要环节， 其对于 实时性， 抗干扰性， 准确度都有很高的要求。 现阶 段的火焰目标检测方法对于这三项指标缺乏综 合研究， 针对这一问题， 本发明提出了一种基于 改进YOLOv4 ‑tiny的轻量化抗干扰火焰检测方 法。 利用火焰随时间变化的动态特点， 设计了双 流结构的火焰检测模型。 首先对YOLOv4 ‑tiny的 骨干网络采用深度可分离卷积进行轻量化改进； 其次在特征提取阶段， 通过进 一步融合多尺度特 征提高网络对浅层特征的学习能力， 同时在FPN 中引入ECA通道注意力模块， 进一步提高精度； 最 后采用IOU(Intersection  over Union)后处理 算法来有效屏蔽类火目标的干扰。 在数据集方 面， 创建了自己的火焰检测数据集。 实验证明， 本 发明方法在准确性， 抗干扰性和检测时间上实现 了综合提升。 权利要求书1页 说明书14页 附图4页 CN 114743151 A 2022.07.12 CN 114743151 A 1.一种基于改进YOLOv4 ‑tiny的轻量化抗干扰火焰检测方法， 其特征在于： 包括以下步 骤： S1:首先对YOLOv4 ‑tiny网络结构进行改进： 选用深度可分离卷积替换YOLOv4 ‑tiny主 干网络的卷积； 然后， 融合特征提取网络多尺度特征形成三/四检测头网络； 最后， 在特征融 合网络FPN中引入E CA通道注意力机制； S2:建立鲁棒 性火焰检测数据集； S3:通过自建火焰检测数据 集对改进后的YOLOv4 ‑tiny网络进行训练， 得到轻量化火焰 检测网络； S4:获取摄 像头实时火焰检测视频； S5:对视频进行分帧处 理， 形成图像序列； S6:按顺序获取相邻帧图像对， 并对各张图像分别使用训练好的轻量化火焰检测网络 进行火焰检测， 并提取火焰预测框； S7:若未检测到任何火焰预测框， 返回步骤S6， 按顺序继续提取下一组相邻帧图像对进 行检测。 2.根据权利要求1所述的一种基于改进YOLOv4 ‑tiny的轻量化抗干扰火焰检测方法， 其 特征在于： 轻量化火焰检测网络检测 后的相邻帧图像对再经过IOU后处理算法处理， 具体过 程为： S8: 轻量化火焰检测网络检测后的相邻帧图像对若检测到火焰预测框， 则按照自上而 下、 从左到右的方式同时遍历图像对中的火焰预测框， 并比较相同位置 火焰预测框IOU的大 小； S9:如果相邻帧图像对中同一位置火焰 预测框的IOU大于等于所设定阈值， 则认定为误 把静态目标检测为火焰， 故同时删除相邻帧图像对在该位置的火焰预测框； S10： 如果相邻帧图像对同一位置火焰预测框的IOU小于所设定阈值， 则认为检测到相 邻帧图像对中动态火焰， 保留该火焰预测框； S11： 待当前相邻帧图像对中火焰预测框遍历且IOU比较结束， 输出当前图像对火焰检 测框； S12： 返回步骤S6继续通过轻量化火焰检测网络对下一组相邻帧图像对进行火焰检测， 并根据IOU提取火焰预测框 。 3.根据权利要求1或2所述的一种基于改进YOLOv4 ‑tiny的轻量化抗干扰火焰检测方 法， 其特征在于： 自建火焰检测数据集中引入类火目标图像与真实火焰图像进行拼接形成 干扰集图像。权　利　要　求　书 1/1 页 2 CN 114743151 A 2一种基于改进Y OLOv4‑tiny的轻量化抗干扰火焰检测方 法 技术领域 [0001]本发明属于火焰探测领域， 具体为一种基于改进YOLOv4 ‑tiny的轻量化抗干扰火 焰检测方法。 背景技术 [0002]火灾一直是需要人们引起关注和警惕的重大灾害， 由于其具有诱发因素多样、 蔓 延快、 高爆发等特点， 在危害人类生命安全的同时又造成巨大的经济损失， 因此， 火灾防治 成为多学科研究的重要课题。 火焰探测作为火灾防治的重要一环， 一直都深受研究人员的 重视。 基于传感器的传统火焰探测技术， 例如感温传感器、 感烟传感器和感光传感器等 都需 要通过敏感原件对火焰燃烧过程中的温度、 烟雾颗粒和光照 强度等参量做出反应。 同时将 物理信号转为电信号， 电信号再传送给火灾报警器[1]。 然而无论是哪种参量， 都需要一定 时间的积累， 这期间火灾不受控制。 在面临空间大环境的情况下， 传感器技术更是显得力不 从心[2]。 [0003]随着数字图像技术和计算机视觉 的发展， 出现了基于视觉 的火灾检测技术。 其大 致分为两个阶段， 传统的基于视觉的方法依赖于手工特征的设计， 例如对火焰颜色[3， 4]， 纹理[5]等特征进行提取。 不仅如此， 随着时间推移， 火焰在时间上的质心运动也可以作为 加强判断依据[ 6]。 然而现实中， 火灾类型和场景复杂， 不确定因素众多， 依赖于人工算法提 取特征泛化性不强[7]。 [0004]近年来， 随着深度学习的发展， 使得卷积神经网络成为特征提取的主流， 基于深度 学习的火焰检测可分为基于图像分类网络的识别方法和基于目标检测网络的定位方法。 在 分类任务中只需辨别场景中是否有火焰存在， 常常被作为一个二分类问题。 例如使用 MobileNet[8 ]， DenseNet[9],Inception[10],VGG16和Resnet50[11]等作为基础网络来训 练火焰数据集。 这些方法在速度和 准确率上都达到了一个较好的水平。 但其无法定位火焰 的确切位置， 通过目标检测方法可以很好地解决这一问题。 目标检测方法可大致上被分为 两阶段目标检测方法和一阶段目标检测方法。 两阶段的代表 性方法Faster ‑RCNN,其在火焰 检测的准确率上取得了不错的成绩[12]， 但是时间消耗较大。 Li[7]等人对Faster ‑RCNN、 R‑ FCN、 SSD和YOLOv3上进行火焰检测的性能对比， 发现YOLOv3是更加合适的选择。 为了进一步 提升检测速度， 研 究人员开始选择轻量化的路线， 更加轻量的YOLO网络[13， 14]受到青睐。 上述方法均是基于单张图像的检测， 检测过程相对独立， 为了利用火焰随时间变化的特点， xie[15]等人提出一种视频火焰探测方法， 融合了火焰随时间变化的闪烁特征与单张图像 深层的静态特征， 以达到检测更准确的目的。 这种方式确实在准确度上有 所贡献， 但是多张 序列图像闪烁特 征的提取依赖 于手工设计， 面对复杂场景依然存在挑战。 [0005]在火焰检测中， 往往存在光照、 太阳、 晚霞等类火目标造成的干扰。 对于火焰检测 干扰因素 的解决方案主要有两种， 一种是图像预处理方法， 通过预处理， 使图像的亮度、 对 比度等指标性能得到一定平衡， 从而提升检测的正确 率。 另一种 是在卷积神经网络中使用 注意力机制、 多尺度特 征融合或者 其他方法来 提高特征提取质量。说　明　书 1/14 页 3 CN 114743151 A 3