一种基于YOLOv8的异常家居环境检测方法及可读存储介质与流程
本发明涉及智能家居与计算机视觉交叉,尤其是指一种基于yolov8的异常家居环境检测方法及可读存储介质。
背景技术:
1、传统的火灾检测方法主要依托各类传感器来实现,常见的包括感烟探测器、感温探测器以及感光探测器等;这类探测器的工作逻辑是通过精准监测火灾发生时产生的烟雾浓度、环境温度变化以及火焰发出的特殊光线信号等物理特征,以此捕捉火灾初期的异常迹象,进而完成火灾预警的核心任务。但这类基于单一物理特征监测的传统检测手段,在实际应用中存在诸多局限性:一方面,其探测灵敏度易受环境因素干扰,比如在粉尘较多的工业车间、高温高湿的厨房等场景,感烟或感温探测器易出现误报;另一方面,当火灾处于阴燃阶段,火焰尚未形成、温度上升缓慢时,感光探测器可能无法及时响应,而感烟探测器也可能因烟雾扩散速度慢、被遮挡等问题,导致预警延迟,难以在火源发生的初始位置实现有效检测。
2、随着计算机视觉技术的兴起,检测技术开始从“参数监测”向“目标识别”转型,基于传统机器学习的图像识别算法逐步应用于火灾检测领域采用手工特征提取结合分类器的模式,手工特征包括火焰的颜色特征(如rgb颜色空间中的红色、黄色分量占比)、烟雾的纹理特征(灰度共生矩阵)及动态特征(光流法捕捉运动轨迹),分类器多选用支持向量机(svm)、adaboost等传统机器学习模型。相比传感器方案,该阶段技术实现了从“间接参数”到“直接目标”的检测跨越,能够初步识别火焰、烟雾的视觉形态,扩展了监测覆盖范围(可通过摄像头实现大范围区域监测)。但手工特征对环境适应性差,在光照变化(如夜间、强光照射)、复杂背景(家具遮挡、彩色装饰)场景下识别精度大幅下降,且无法实现实时检测,难以满足家居场景的实时性需求。
3、随着yolo(you only look once)系列目标检测算法的成熟,异常家居环境检测技术进入产业化应用阶段,核心技术从传统机器学习转向深度学习,该阶段技术通过大规模火焰、烟雾图像数据集训练,使模型自动学习目标的深层视觉特征,摆脱了手工特征提取的局限性。
4、但目前以yolov8为代表的目标检测技术,在主干网络与颈部层的上下文信息融合环节存在效率偏低、融合深度不足的问题,导致模型对特征的多层次提取与整合能力显著欠缺;这一技术短板直接体现在智能家居场景中,使其对初期小火苗(低像素、小尺度)、淡薄烟雾(形态模糊、对比度低)等关键异常目标的检测任务中,频繁出现漏检现象,同时还易将家居环境中的蒸汽、粉尘等干扰物误判为烟雾,引发错检问题。
技术实现思路
1、为此,本发明所要解决的技术问题在于克服现有技术中由于特征提取能力不足导致的小目标漏检、错检的问题。
2、为解决上述技术问题,本发明提供了一种基于yolov8的异常家居环境检测方法,包括:
3、将待检测家居环境图输入改进yolov8模型中,经过主干网络编码输出n个不同尺度的编码特征,输入颈部网络中,进行特征融合,输出n个不同尺度的融合特征;将n个不同尺度的融合特征输入头部网络,分别进行上采样后,经检测头输出检测结果;
4、所述改进yolov8模型包括将主干网络中的标准卷积单元替换为群卷积单元;
5、所述群卷积单元,包括:对输入特征进行标准卷积,获取第一卷积特征;对第一卷积特征进行深度可分离卷积,获取第二卷积特征;将第一卷积特征与第二卷积特征拼接,获取拼接特征;对拼接特征进行通道混洗,输出群卷积特征。
6、优选地,将待检测家居环境图输入基于yolov8的目标检测模型中,经过主干网络编码输出不同尺度的编码特征,包括:
7、将待检测家居环境图输入主干网络中,经过依次串联的一个群卷积单元、多个编码模块与一个sppf模块;每个编码模块均包括串联的群卷积单元与c2f单元;
8、获取预设层数的编码模块的输出,以及sppf模块的输出,作为主干网络输出的不同尺度的编码特征。
9、优选地,所述改进yolov8的改进包括:令输入颈部网络中自上向下的通路中拼接单元的特征均是经过了全局注意力机制模块的注意力特征。
10、优选地,全局注意力机制模块输出注意力特征,包括:
11、将输入全局注意力机制模块的特征进行划分,获取多组分组特征;
12、对各组分组特征分别进行深度可分离卷积后,执行x方向平均池化与y方向平均池化,获取各组分组特征的两个池化特征进行拼接、卷积、批归一化与非线性激活后,再卷积输出,获取各组分组特征的空间卷积特征;
13、对各组分组特征进行归一化处理,获取各组批归一化特征;令各组分组特征经过群卷积单元,获取各组群卷积特征;
14、令各组分组特征对应的归一化特征、群卷积特征,均经过全局平均池化、softmax激活函数后,与各组分组特征对应的归一化特征、群卷积特征进行逐元素矩阵相乘,获取各组分组特征对应的归一化聚合特征与群卷积聚合特征,并相加,获取各组分组特征对应的通道卷积特征;
15、令各组分组特征对应的空间卷积特征经过softmax激活函数,获取各组分组特征的空间注意力权重,对各组分组特征对应的通道卷积特征进行重加权,获取全局注意力机制模块输出的注意力特征。
16、优选地,获取分组特征的空间卷积特征,包括:
17、对分组特征进行深度可分离卷积,提取深度卷积特征,表示为:
18、;
19、对深度卷积特征执行x方向平均池化,获取x方向池化特征,表示为:;
20、对深度卷积特征执行y方向平均池化,获取y方向池化特征,表示为:;
21、将x方向池化特征与y方向池化特征拼接,得到,再经过1×1卷积,获取池化卷积特征,表示为:;
22、对池化卷积特征进行批归一化与非线性激活后,再卷积输出,获取分组特征的空间卷积特征,表示为:;
23、其中,表示分组特征,、与分别表示分组特征的高、宽与通道数,,,;表示深度可分离卷积的卷积核;表示卷积核。
24、优选地,获取分组特征对应的通道卷积特征,包括:
25、对分组特征进行归一化处理,获取批归一化特征,表示为:;
26、令分组特征经过群卷积单元,获取群卷积特征;
27、令分组特征对应的归一化特征、群卷积特征均经过全局平均池化,获取归一化池化特征与群卷积池化特征,表示为:
28、;;
29、令归一化池化特征与群卷积池化特征分别经过softmax激活函数,获取第一通道特征权重与第二通道特征权重,表示为:
30、;;
31、将第一通道特征权重与群卷积特征进行逐元素矩阵相乘,获取第一加权特征;
32、将第二通道特征权重与归一化特征进行逐元素矩阵相乘,获取第二加权特征;
33、将第一加权特征与第二加权特征相加,获取分组特征的通道卷积特征,表示为:;
34、其中,表示分组特征的均值,表示分组特征的方差,表示预设微小常数,表示预设缩放参数,表示预设偏移参数;表示归一化池化特征中第个通道的通道特征,表示群卷积池化特征中第个通道的通道特征,表示自然常数。
35、优选地,获取全局注意力机制模块输出的注意力特征,包括:
36、令分组特征的空间卷积特征经过softmax激活函数,获取分组特征的空间注意力权重,表示为:;
37、将分组特征的空间注意力权重与通道卷积特征进行逐元素相乘,获取注意力特征,表示为:。
38、优选地,所述改进yolov8模型包括将头部网络中的上采样单元替换为轻量动态上采样模块。
39、优选地,所述改进yolov8模型包括在颈部网络中引入多尺度特征融合模块;所述多尺度特征融合模块的输入为sppf模块的输出,多尺度特征融合模块的输出通过全局注意力机制模块后,输入到颈部网络中自上向下的通路的最后一个拼接单元中。
40、本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述所述的基于yolov8的异常家居环境检测方法的步骤。
41、本发明的上述技术方案相比现有技术具有以下有益效果:
42、本发明所述的基于yolov8的异常家居环境检测方法,将标准卷积替换成了群卷积;群卷积单元通过并行双路径结构,同时捕获不同类型和层次的特征信息,突破了单一卷积操作的局限性;群卷积单元对输入的特征图分别经过标准卷积和深度可分离卷积获得通道数减半的相关特征信息后,进行拼接整合不同类型的特征信息,同时,为了整合之后的特征信息在不同通道之间进行充分交换,引入了通道混洗操作来增强特征融合的效果,打乱了来自标准卷积和深度可分离卷积两个路径的通道顺序,强制不同来源的特征信息在通道维度上进行充分的交叉与融合,促进了跨路径、跨特征的信息整合,使得输出的每个通道都融合了不同类型的特征信息,从而增强了特征的多样性和整体表征能力,提高了对家居环境图中小目标的检测准确性。
43、本发明在颈部网络中引入了全局注意力机制模块,在一个支路中将输入特征分组,对每组分组特征进行深度卷积后,分别沿高度和宽度方向进行独立池化,分别捕获图像在整列和整行范围的上下文关系,再融合生成空间卷积特征;基于深度可分离卷积与空间双向池化实现像素级或行列级的精细化增强,提高小目标定位准确性。本发明的另一个支路在特征分组后,先进行分组归一化稳定分布,再通过双分支全局池化与softmax生成两套通道注意力权重,最后进行加权融合;通过全局池化获取空间全局信息后,反作用于所有空间位置,实现了不同空间位置共享同一套通道重要性评估,强化了特征在通道维度上的一致性和判别性。本发明将空间注意力权重,与经过通道注意力加权的特征,进行逐元素相乘,以便在空间和通道两个维度上同时聚焦于目标,极大地提升了特征的信噪比,降低了小目标的漏检率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com