一种改进Yolox算法的火焰烟雾目标检测方法与流程

技术特征：
1.一种改进yolox算法的火焰烟雾目标检测方法，其特征在于，包括：获取火焰烟雾的图像数据，并通过数据增强对图像数据进行预处理，得到数据集；通过acmix注意力机制和条件卷积对yolox模型进行改进，得到yolox-act模型；基于所述数据集对所述yolox-act模型进行训练并得到火焰烟雾目标的预测框；设计whiou损失函数，通过所述whiou损失函数计算所述预测框与真实框之间的长宽耦合损失，并通过梯度回传更新所述yolox-act模型的参数，得到最优模型权重；基于所述最优模型权重和所述yolox-act模型得到目标检测模型，通过所述目标检测模型对火焰烟雾目标进行检测。2.如权利要求1所述的火焰烟雾目标检测方法，其特征在于，所述通过数据增强对图像数据进行预处理包括：针对复杂场景下的图像数据，使用moscia算法对复杂环境进行模拟，增强图像数据的背景信息。3.如权利要求1或2所述的火焰烟雾目标检测方法，其特征在于，所述通过数据增强对图像数据进行预处理包括：对所述图像数据进行标注，并在标注过程中利用mixup算法对图像数据进行图像增强，降低图像数据的噪声。4.如权利要求1所述的火焰烟雾目标检测方法，其特征在于，所述通过acmix注意力机制和条件卷积对yolox模型进行改进包括：通过acmix注意力机制设计第一改进模块，通过所述第一改进模块替换所述yolox模型特征提取部分中的末端特征提取层；通过条件卷积设计第二改进模块，通过所述第二改进模块替换所述yolox模型特征融合部分和预测层中的普通卷积。5.如权利要求4所述的火焰烟雾目标检测方法，其特征在于，所述第一改进模块中，输入的图像数据先通过两个卷积层，然后分别通过三个尺寸不同的最大池化层以提取不同尺度的空间信息，将三个不同尺度的空间信息拼接后通过卷积层再经过acmix自适应的关注不同的目标区域，捕获特征信息。6.如权利要求4所述的火焰烟雾目标检测方法，其特征在于，所述第二改进模块中，图像数据先通过卷积层，后经过条件卷积得到三通道输出，其中，所述三通道输出分别是类别、回归和iou输出；所述yolox-act模型基于所述三通道输出得到火焰烟雾目标的预测框。7.如权利要求4-6任一项所述的火焰烟雾目标检测方法，其特征在于，所述通过whiou损失函数计算所述预测框与真实框之间的长宽耦合损失包括：分别计算所述预测框与真实框之间的宽度损失和高度损失，并将宽度损失和高度损失进行耦合，得到所述长宽耦合损失，其中，当预测框与真实框的宽度相同时，将所述高度损失作为所述长宽耦合损失，当预测框与真实框的高度相同时，将所述宽度损失作为所述长宽耦合损失。8.如权利要求7所述的火焰烟雾目标检测方法，其特征在于，当所述高度损失和所述宽度损失都趋于零时，所述whiou损失函数等于diou损失函数。9.一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上
运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。

技术总结
本申请公开了一种改进Yolox算法的火焰烟雾目标检测方法，属于火焰烟雾检测领域，包括：获取火焰烟雾的图像数据，并通过数据增强对图像数据进行预处理，得到数据集；通过ACmix注意力机制和条件卷积对Yolox模型进行改进，得到Yolox-ACT模型；基于数据集对Yolox-ACT模型进行训练并得到火焰烟雾目标的预测框；设计并使用WHIoU损失函数计算预测框与真实框之间的长宽耦合损失，并通过梯度回传更新Yolox-ACT模型的参数，得到最优模型权重；基于最优模型权重和Yolox-ACT模型得到目标检测模型，以对火焰烟雾目标进行检测。本申请提供的方法适用于复杂场景下的火焰烟雾检测任务。复杂场景下的火焰烟雾检测任务。复杂场景下的火焰烟雾检测任务。


技术研发人员：刘伟 姜庭豪 何凯 高群 王雪琪 孙一菲 高赟翔 都汝恒
受保护的技术使用者：烟台宝和机电设备有限公司
技术研发日：2023.07.11
技术公布日：2023/10/21