本發(fā)明涉及人工智能中計算機視覺中的火災檢測領(lǐng)域，尤其涉及一種基于yolov8的實時火焰、煙霧檢測方法。

背景技術(shù)：

1、傳統(tǒng)的火災探測技術(shù)主要依賴于傳感器對環(huán)境的監(jiān)測，通過檢測火災發(fā)生時的特征變化來判斷是否發(fā)生火災。這些技術(shù)通常包括四種類型：光線感知型、溫度感知型、煙霧探測型和氣體識別型。隨著人工智能技術(shù)的興起，基于計算機視覺的火災檢測技術(shù)不斷涌現(xiàn)，它們通過分析圖像或視頻數(shù)據(jù)來識別火焰和煙霧。

2、然而，現(xiàn)有的火災檢測算法面臨著一些挑戰(zhàn)。大型模型雖然能夠提供較高的檢測精度，但往往運行速度較慢；而小型模型雖然運行速度快，但精度可能不足。此外，這些算法在檢測小火焰或在黑暗環(huán)境中的表現(xiàn)往往不盡人意。而且，許多算法在處理數(shù)據(jù)集時過于復雜，反而影響了最終的檢測效果。在嵌入式設備上，模型的泛化能力也常常不足。

3、為了構(gòu)建一個既輕量化又具有高精度和高速度的理想火災檢測模型，需要對現(xiàn)有的主流算法進行改進?；鹧婧蜔熿F這類無固定形態(tài)且易受環(huán)境干擾的特征，要求模型能夠提取圖像的深層信息，這不可避免地會增加模型的參數(shù)量，對嵌入式設備來說是一個挑戰(zhàn)。如果為了輕量化而犧牲模型大小，可能會導致檢測精度下降，增加誤判和漏判的風險。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于yolov8的實時火焰、煙霧檢測方法。

2、為了實現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種1.基于yolov8的實時火焰、煙霧檢測方法，包括以下步驟：

3、s1，數(shù)據(jù)采集：實時采集火焰、煙霧圖像；

4、s2，構(gòu)建火焰、煙霧檢測模型：在yolov8模型的backbone部分添加eca注意力機制，head中添cbam注意力機制；

5、s3，獲得火焰、煙霧的檢測結(jié)果：將預處理后的待檢測火焰和/或煙霧圖像輸入火焰、煙霧檢測模型，得到檢測結(jié)果；檢測結(jié)果包括煙霧的數(shù)值和火焰的數(shù)值。

6、由于在真實視頻環(huán)境中會出現(xiàn)人為、天氣等一系列無法準確預料的情況，因此算法模型本身需具有良好的泛化性，本發(fā)明將eca、cbam模塊嵌入算法增強注意力機制，使得在實時檢測時無論小火苗還是大火焰都能準確快速識別。就火災檢測而言，對于火焰、煙霧此類無固定形態(tài)，且根據(jù)環(huán)境改變目標變化較大，環(huán)境干擾因素太多的特征，需要對圖像進行深層信息的提取，這就不可避免地增大了模型參數(shù)，對于嵌入式而言十分不友好。但如果為了輕量化而采用較小模型所產(chǎn)生的后果就是圖像檢測精度不夠，誤判、漏判頻出。這是火災檢測所不希望的。之所以選擇eca與cbam模塊進行嵌入，其目的就是為了即將減少了模型參數(shù)，又有效提高了深層特征提取，增加了模型精度，對于火焰、煙霧此類特征而言是最佳選擇。

7、進一步地，所述基于yolov8在其backbone部分添加eca注意力機制，head中添cbam注意力機制，包括：

8、第一卷積模塊的輸出端與第二卷積模塊的輸入端相連，第二卷積模塊的輸出端與第一c2f模塊的輸入端相連，第一c2f模塊的輸出端與第三卷積模塊的輸入端相連，第三卷積模塊的輸出端分別與第二c2f模塊的輸入端、第一concat模塊的輸入端相連，第二c2f模塊的輸出端與第四卷積模塊的輸入端相連，第四卷積模塊的輸出端與第三c2f模塊的輸入端相連，第三c2f模塊的輸出端與第五卷積模塊的輸入端、第二concat模塊的輸入端相連，第五卷積模塊的輸出端與第四c2f模塊的輸入端相連，第四c2f模塊的輸出端與sppf模塊的輸入端相連，sppf模塊的輸出端與eca模塊的輸入端相連；

9、eca模塊的輸出端分別與第一上采樣模塊的輸入端、第四concat模塊的輸入端相連；第一上采樣模塊的輸出端與第二concat模塊的輸入端相連；第二concat模塊的輸出端與第五c2f模塊的輸入端相連，第五c2f模塊的輸出端分別與第一cbam模塊的輸入端、第三concat模塊的輸入端相連，第一cbam模塊的輸出端與第二上采樣模塊的輸入端相連，第二上采樣模塊的輸出端與第一concat模塊的輸入端相連，第一concat模塊的輸出端與第六c2f模塊的輸入端相連，第六c2f模塊的輸出端與第二cbam模塊的輸入端相連；第二cbam模塊的輸出端與第三上采樣模塊的輸入端相連；第三上采樣模塊的輸出端與第三concat模塊的輸入端相連，第三concat模塊的輸出端與第七c2f模塊的輸入端相連；第七c2f模塊的輸出端與第三cbam模塊的輸入端相連，第三cbam模塊的輸出端與第四上采樣模塊的輸入端相連，第四上采樣模塊的輸出端與第四concat模塊的輸入端相連，第四concat模塊的輸出端與第八c2f模塊的輸入端相連，第八c2f模塊的輸出端與第四cbam模塊的輸入端相連，第四cbam模塊的輸出端與第二cbam模塊的輸入端相連；

10、其中，第一concat模塊、第二concat模塊、第三concat模塊、第四concat模塊用于將兩個模塊的數(shù)據(jù)進行拼接操作。

11、應用模型中為了解決小火焰識別精度不高的問題，在backbone模塊中添加eca注意力機制，理念為權(quán)重學習的過程應該直接一一對應，eca注意力機制模塊直接在全局平均池化層之后使用1×1卷積層，去除了全連接層。該模塊避免了維度縮減，并有效捕獲了跨通道交互。并且eca只涉及少數(shù)參數(shù)就能達到很好的效果。

12、應用模型中為了增強通道之間的關(guān)聯(lián)性，在head模塊中添加cbam注意力機制，cbam是用于增強卷積神經(jīng)網(wǎng)絡的表征能力。

13、進一步地，所述火焰、煙霧檢測模型為訓練后的火焰、煙霧檢測模型，在訓練時將原有損失函數(shù)g-iou替換為wise-iou損失函數(shù)。

14、由于本發(fā)明算法存在大量對深層特征地提取、數(shù)據(jù)集個別尺寸不齊等因素導致算法輸出結(jié)果收斂震蕩，為了解決這個問題本發(fā)明放棄yolo原有損失函數(shù)(g-iou)，添加wise-iou作為損失函數(shù)減小了低質(zhì)量示例產(chǎn)生的有害梯度，加快模型收斂。

15、進一步地，所述wise-iou損失函數(shù)為wise-iou?v3。

16、應用模型中為了提高檢測器整體性能，加速模型收斂，采用wise-iou?v3，wise-iou?v3是基于wise-iou?v1而改進的函數(shù)，該策略在降低高質(zhì)量錨框的競爭力的同時，也減小了低質(zhì)量示例產(chǎn)生的有害梯度，并且提升模型精度。

17、進一步地，所述火焰、煙霧檢測模型為訓練后的火焰、煙霧檢測模型，在訓練時對數(shù)據(jù)集使用albumentations模塊進行數(shù)據(jù)增強，包括：將原始圖像進行模糊、灰度圖、強曝光、模擬霧天。

18、由于火災檢測攝像頭質(zhì)量不統(tǒng)一，基于不同地區(qū)與天氣獲得圖像質(zhì)量參差不齊。采用albumentations模塊在線預處理增強數(shù)據(jù)集，有助于增強、改善模型的泛化能力和性能，從而使本模型能應用于不同設備的攝像頭。傳統(tǒng)方法中圖像質(zhì)量的好壞直接影響后續(xù)前景的提取、特征計算的效果，為了獲得更好的檢測性能，本發(fā)明在訓練時就將模型精度與泛化性提升至較高性能，如此在嵌入式時無論輸入視頻、圖片質(zhì)量優(yōu)劣，都能夠做到較為準確的識別。并且適用于所有環(huán)境火焰、煙霧的視頻檢測。

19、進一步地，還包括s4，判斷火災情況：

20、若煙霧的數(shù)值超過第一煙霧閾值，則判定存在火災情況；

21、若火焰的數(shù)值超過第一火焰閾值，則判定存在火災情況；

22、若煙霧的數(shù)值超過第二煙霧閾值，且火焰的數(shù)值超過第二火焰閾值，則判定存在火災情況；

23、其中，第一火焰閾值大于第二火焰閾值；第一煙霧閾值大于第二煙霧閾值；

24、當存在火災情況，則啟動報警程序，并將報警信息發(fā)送至終端。

25、自燃起火和森林起火通常遵循先有煙后有火的模式，這是因為可燃物質(zhì)在充分燃燒之前會先產(chǎn)生煙霧。然而，并非所有火災都遵循這一規(guī)律。例如，電瓶車自燃往往表現(xiàn)為先有火后有煙，因為電瓶內(nèi)部的化學反應可能直接引發(fā)火焰，而煙霧則是隨后產(chǎn)生的。因此，在設計火災檢測系統(tǒng)時，能夠靈活地設置檢測參數(shù)和觸發(fā)條件。

26、綜上所述，由于采用了上述技術(shù)方案，本發(fā)明構(gòu)建的火焰和煙霧檢測模型在減少模型參數(shù)的同時，有效提升了深層特征的提取能力，從而增強了模型的精確度。對于火焰和煙霧這類動態(tài)且多變的特征，該模型提供了一種理想的解決方案。此外，該模型還展現(xiàn)出了出色的泛化能力。

27、本發(fā)明提出的檢測方法在各種場景下的火災檢測中，均能確保高準確率和低誤檢率。與現(xiàn)有的深度學習火災檢測算法相比，在處理背景與火焰、煙霧顏色相近的場景，以及不同規(guī)模的火勢時，本發(fā)明均能提供更為可靠的檢測效果。這不僅顯著提高了火焰檢測的準確度，還降低了誤識別的風險，同時具備了強大的魯棒性，預示著其在實際應用中的巨大潛力。

28、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。