一种基于YOLO神经网络的隧道火灾检测方法

一种基于yolo神经网络的隧道火灾检测方法
技术领域
1.本发明属于火灾检测领域，特别涉及一种基于yolo神经网络的隧道火灾 检测方法。


背景技术：

2.在公路隧道发生的安全事故中，火灾是危害最大的一类。隧道一旦发生火 灾，扑救十分困难，而且易造成严重的经济损失和人员伤亡。为了预防公路隧 道里发生火灾事故，人们提出了多种早期火灾检测技术。随着视频监控的大量 普及,基于图像视频的火灾自动检测与预警则十分有研究意义和使用价值。传统 火焰检测通常是根据先验知识设计特征提取算法,人工提取火焰动态或静态特 征,然后进行火焰识别。
3.此类基于计算机视觉的传统火焰检测方法,其根据先验知识设计人工特征 提取算法比较困难和耗时,在面对不同的复杂环境和多变的火焰类型时,其泛化 能力往往不足，针对复杂环境下的火灾视频检测不准确问题。


技术实现要素：

4.针对上述问题，本发明提供了一种基于yolo神经网络的隧道火灾检测方 法，包括如下步骤：
5.制作火灾图片训练数据集；
6.将所述数据集中的火灾图片使用roboflow对图片进行标注；
7.基于所述数据集，利用yolov5算法建立训练模型；
8.将标注后的火灾图片输入到训练模型中对模型进行训练；
9.将训练后的模型接入高速公路的监控摄像头进行实时监测和预警。
10.优选的，其中，所述数据集中包括训练集、验证集和测试集；
11.所述训练模型中包括yolo神经网络。
12.优选的，所述训练集、验证集和测试集中的图片数量比为：6:2:2。
13.优选的，训练模型中包括训练算法，该训练算法包括如下步骤：
14.预训练：将所述火灾图片先在imagenet上进行了预训练，其预训练的分类 模型采用前20个卷积层，然后添加一个average-pool层和全连接层；
15.预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积 层和2个全连接层；
16.网络预测：采用nms算法：首先从所有的检测框中找到置信度最大的那 个框，然后挨个计算其与剩余框的iou，如果其值大于一定阈值，那么就将该 框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；
17.解析网络的预测结果：判断预测框类别，再通过nms算法检测预测结果 准确性。
18.优选的，卷积神经网络对目标部分中的特征向量进行分析，所述特征向量 由低级视觉描述子编码而成，所述低级视觉描述子包括sift、haar、hog及 surf。
19.优选的，还包括检测系统及网络平台，所述检测系统与模型连接，所述检 测系统与网络平台连接，所述网络平台上连接有报警系统。
20.本发明的有益效果是：
21.在本发明中基于yolov5算法制作数据集；并基于数据集建立训练模型； 将数据集中的火灾图片使用roboflow对图片进行标注；输入到训练模型中对模 型进行训练；将训练后的模型接入高速公路的监控摄像头实时监测和预警，可 以模拟训练结果，结果表明map达到了0.9以上，该模型对于隧道火灾事件的 识别效果较好，有效地提高了火灾的监测。
22.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明 书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可 通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描 述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明的基于yolo神经网络的隧道火灾检测方法的流程图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其 他实施例，都属于本发明保护的范围。
25.本发明实施例中提出了一种基于yolo神经网络的隧道火灾检测方法，包 括如下步骤：
26.制作火灾图片训练数据集；
27.将所述数据集中的火灾图片使用roboflow对图片进行标注；
28.基于所述数据集，利用yolov5算法建立训练模型；
29.将标注后的火灾图片输入到训练模型中对模型进行训练；
30.将训练后的模型接入高速公路的监控摄像头进行实时监测和预警。
31.优选的，其中，所述数据集中包括训练集、验证集和测试集，分几个集主 要是为了提高模型准确性；
32.所述训练模型中包括yolo神经网络。
33.优选的，所述训练集、验证集和测试集中的图片数量比为：6:2:2。
34.训练模型中包括训练算法，该训练算法包括如下步骤：
35.预训练：将所述火灾图片先在imagenet上进行了预训练，其预训练的分类 模型采用前20个卷积层，然后添加一个average-pool层和全连接层；
36.预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积 层和2个全连接层；
37.网络预测：采用nms算法：首先从所有的检测框中找到置信度最大的那 个框，然后挨个计算其与剩余框的iou，如果其值大于一定阈值，那么就将该 框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；
38.解析网络的预测结果：判断预测框类别，再通过nms算法检测预测结果 准确性。
39.卷积神经网络对目标部分中的特征向量进行分析，所述特征向量由低级视 觉描述子编码而成，所述低级视觉描述子包括sift、haar、hog及surf。
40.还包括检测系统及网络平台，所述检测系统与模型连接，所述检测系统与 网络平台连接，所述网络平台上连接有报警系统。
41.在本发明中基于yolov5算法制作数据集；并基于数据集建立训练模型； 将数据集中的火灾图片使用roboflow对图片进行标注；输入到训练模型中 对模型进行训练；将训练后的模型接入高速公路的监控摄像头实时监测和 预警，可以模拟训练结果，结果表明map达到了0.9以上，该模型对于隧 道火灾事件的识别效果较好，有效地提高了火灾的监测。
42.尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的 本质脱离本发明各实施例技术方案的精神和范围。


技术特征：
1.一种基于yolo神经网络的隧道火灾检测方法，其特征在于，包括如下步骤：制作火灾图片训练数据集；将所述数据集中的火灾图片使用roboflow对图片进行标注；基于所述数据集，利用yolov5算法建立训练模型；将标注后的火灾图片输入到训练模型中对模型进行训练；将训练后的模型接入高速公路的监控摄像头进行实时监测和预警。2.根据权利要求1所述的一种基于yolo神经网络的隧道火灾检测方法，其特征在于，其中，所述数据集中包括训练集、验证集和测试集；所述训练模型中包括yolo神经网络。3.根据权利要求2所述的一种基于yolo神经网络的隧道火灾检测方法，其特征在于，所述训练集、验证集和测试集中的图片数量比为：6:2:2。4.根据权利要求1所述的一种基于yolo神经网络的隧道火灾检测方法，其特征在于，训练模型中包括训练算法，该训练算法包括如下步骤：预训练：将所述火灾图片先在imagenet上进行了预训练，其预训练的分类模型采用前20个卷积层，然后添加一个average-pool层和全连接层；预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层；网络预测：采用nms算法：首先从所有的检测框中找到置信度最大的那个框，然后挨个计算其与剩余框的iou，如果其值大于一定阈值，那么就将该框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；解析网络的预测结果：判断预测框类别，再通过nms算法检测预测结果准确性。5.根据权利要求4所述的一种基于yolo神经网络的隧道火灾检测方法，其特征在于，卷积神经网络对目标部分中的特征向量进行分析，所述特征向量由低级视觉描述子编码而成，所述低级视觉描述子包括sift、haar、hog及surf。6.根据权利要求1所述的一种基于yolo神经网络的隧道火灾检测方法，其特征在于，还包括检测系统及网络平台，所述检测系统与模型连接，所述检测系统与网络平台连接，所述网络平台上连接有报警系统。

技术总结
本发明涉及火灾检测领域，特别涉及一种基于YOLO神经网络的隧道火灾检测方法，包括如下步骤：在本发明中制作火灾图片数据集；并基于数据集建立训练模型；将数据集中的火灾图片使用roboflow对图片进行标注；输入到训练模型中对模型进行训练；将训练后的模型接入高速公路的监控摄像头实时监测和预警，可以模拟训练结果，结果表明mAP达到了0.9以上，该模型对于隧道火灾事件的识别效果较好，有效地提高了火灾的监测。的监测。的监测。


技术研发人员：吴玲 余曼 燕姣
受保护的技术使用者：西安航空学院
技术研发日：2021.12.10
技术公布日：2022/4/8