基于YoloV5的烟火监控方位提取方法及系统与流程

基于yolo v5的烟火监控方位提取方法及系统
技术领域
1.本发明涉及文字识别技术领域，更具体的说是涉及一种基于yolo v5的烟火监控方位提取方法及系统。


背景技术：

2.在森林防火监控领域，通过摄像头进行火灾识别和预警是一种常用的技术手段。但是有很多用户，只能拿到视频通道，而摄像头方位信息等各种参数都显示在画面上，不能被用户直接获取。因此，对本领域技术人员来说，如何直接获取到烟火监控方位信息是亟待解决的问题。


技术实现要素：

3.有鉴于此，本发明提供了一种基于yolo v5的烟火监控方位提取方法及系统，以解决背景技术中存在的问题。
4.为了实现上述目的，本发明采用如下技术方案：一种基于yolo v5的烟火监控方位提取方法，具体步骤包括如下：
5.获取监控图像，并对所述监控图像中的方位信息进行标注，构建方位信息侦测数据集；
6.对yolov5网络进行改进，得到第一网络；
7.训练所述第一网络，得到识别网络；
8.利用所述识别网络对所述方位信息侦测数据集进行识别，提取每张图中方位信息区域，并保存为图像，构建文字识别数据集，对所述文字识别数据集进行标注；
9.将paddlepaddle ocr作为识别模型进行训练，得到第一模型；
10.把所述识别网络提取的图像区域输入到所述第一模型中，获取监控方位信息。
11.可选的，所述对yolov5网络进行改进的方式为：删减c3结构数量，减小backbone和head各卷积层的通道参数，具体实现为：banckbone第4层c3，基础个数由6改为3，第6层c3基础个数由9改为3，第7层conv输出channel由1024改为256，第8层c3输出channel由1024改为256，第9层sppf，输出channel由1024改为256，其余所有层输出channel均改为原来的一半。
12.可选的，对所述监控图像中的方位信息根据不同字体打上分类标签，并将所述方位信息侦测数据集按9：1划分为训练集和测试集。
13.可选的，对所述第一网络进行训练时，imgsize设为640，multi-scale设为true。
14.可选的，加载预训练权重对paddlepaddle ocr模型进行训练，利用ch_ppocr_mobile_v2.0_rec作为预训练权重。
15.可选的，所述监控图像为不同监测地点在不同时间段的图像，均为可见光图像。
16.另一方面，提供一种基于yolo v5的烟火监控方位提取系统，包括数据集获取模块、识别网络构建模块、文字识别数据集构建模块、第一模型构建模块、方位信息获取模块；其中，
17.所述数据集获取模块，用于获取监控图像，并对所述监控图像中的方位信息进行标注，构建方位信息侦测数据集；
18.所述识别网络构建模块，用于对yolov5网络进行改进，得到第一网络；训练所述第一网络，得到识别网络；
19.所述文字识别数据集构建模块，用于利用所述识别网络对所述方位信息侦测数据集进行识别，提取每张图中方位信息区域，并保存为图像，构建文字识别数据集，对所述文字识别数据集进行标注；
20.所述第一模型构建模块，用于将paddlepaddle ocr作为识别模型进行训练，得到第一模型；
21.所述方位信息获取模块，用于把所述识别网络提取的图像区域输入到所述第一模型中，获取监控方位信息。
22.可选的，还包括训练模块，所述训练模块包括第一训练模块与第二训练模块；其中，所述第一训练模块，用于对所述第一网络进行训练，所述第二训练模块，用于对paddlepaddle ocr模型进行训练。
23.经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于yolo v5的烟火监控方位提取方法及系统，具有以下有益的技术效果：
24.(1)可以通过烟火监控图像获取摄像头的方位信息，提高了方位信息的获取效率；
25.(2)通过对yolov5网络的改进，模型权重文件大小从40.8mb(yolov5m)下降到6.34mb，模型参数量从21.2m(yolov5m)下降到3.15m，大大减小了模型大小，提升了运行速度，也可适用于边缘设备，使其适配于各种小型系统，兼容性高。
附图说明
26.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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
27.图1为本发明的方法流程图；
28.图2为本发明的系统结构图。
具体实施方式
29.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、完整地描述，显然，所描述的实施例仅仅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。
30.本发明实施例1公开了一种基于yolo v5的烟火监控方位提取方法，如图1所示，具体步骤包括如下：
31.s1、获取监控图像，并对监控图像中的方位信息进行标注，构建方位信息侦测数据集；
32.具体的，获取不同监测地点在不同时间段的图像，获取的监控图像均为可见光图
像，对图像进行标注，框出位置区域，并根据不同字体打上分类标签，数据集按9：1划分训练集和测试集。在本实施例中，分出type1和type2两个种类的字体，并最终整理出2006张标注的图片作为训练数据集，236张作为测试数据集。
33.s2、对yolov5网络进行改进，得到第一网络；
34.yolov5网络中，各层设置很高的输出channel值，是为了分出更多的特征信息，应对几百乃至上千类的目标识别，在本实施例中没有这么多种类目标，只有2类，所以改进方式如下：在yolov5m.yaml文件中修改网络参数，banckbone第4层c3，基础个数由6改为3，第6层c3基础个数由9改为3，第7层conv输出channel由1024改为256，第8层c3输出channel由1024改为256，第9层sppf，输出channel由1024改为256，其余所有层输出channel均改为原来的一半，head除最后detect层，其余所有输出channel均设为256。c3是yolov5网络中的一种结构模块。
35.s3、训练第一网络，得到识别网络；
36.训练时，imgsize设为640，multi-scale设为true，以增强数据的丰富程度，提升网络适应能力。识别网络经过400个epoch的训练后，准确率达99.2％，召回率为99.5％。
37.s4、利用识别网络对方位信息侦测数据集进行识别，提取每张图中方位信息区域，并保存为图像，构建文字识别数据集，对文字识别数据集进行标注；
38.用s3训练好的识别网络，对s1中的方位信息侦测数据集进行识别，每张图取置信度最高目标区域，提取每张图中方位信息的相应区域，并保存为图像，构建文字识别数据集，然后对文字识别数据集进行标注；
39.s5、将paddlepaddle ocr作为识别模型进行训练，得到第一模型；
40.用paddlepaddle ocr作为识别模型，加载预训练权重进行训练，在本实施例中，将ch_ppocr_mobile_v2.0_rec作为预训练权重。ch_ppocr_mobile_v2.0_rec为ocr模型官方提供的权重文件。
41.s6、把识别网络提取的图像区域输入到第一模型中，获取监控方位信息。
42.本发明实施例2提供一种基于yolo v5的烟火监控方位提取系统，如图2所示，包括数据集获取模块、识别网络构建模块、文字识别数据集构建模块、第一模型构建模块、方位信息获取模块；其中，
43.数据集获取模块，用于获取监控图像，并对监控图像中的方位信息进行标注，构建方位信息侦测数据集；
44.识别网络构建模块，用于对yolov5网络进行改进，得到第一网络；训练第一网络，得到识别网络；
45.文字识别数据集构建模块，用于利用识别网络对所述方位信息侦测数据集进行识别，提取每张图中方位信息区域，并保存为图像，构建文字识别数据集，对文字识别数据集进行标注；
46.第一模型构建模块，用于将paddlepaddle ocr作为识别模型进行训练，得到第一模型；
47.方位信息获取模块，用于把识别网络提取的图像区域输入到第一模型中，获取监控方位信息。
48.进一步的，还包括训练模块，训练模块包括第一训练模块与第二训练模块；其中，
第一训练模块，用于对第一网络进行训练，第二训练模块，用于对paddlepaddle ocr模型进行训练。
49.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
50.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。