本發(fā)明涉及機器視覺及圖像識別領(lǐng)域，特別涉及一種煙霧檢測系統(tǒng)及方法。

背景技術(shù)：

1、隨著工業(yè)化和城市化的快速發(fā)展，火災(zāi)和大氣污染問題日益嚴(yán)重，對人類生活和環(huán)境安全構(gòu)成了重大威脅。煙霧作為火災(zāi)和污染的直接指標(biāo)，其檢測技術(shù)對于預(yù)防和控制火災(zāi)、監(jiān)測空氣質(zhì)量具有重要意義。因此，開發(fā)高效、準(zhǔn)確的煙霧檢測技術(shù)已成為當(dāng)務(wù)之急。

2、目前，煙霧檢測技術(shù)主要依賴光學(xué)傳感器、離子傳感器等設(shè)備，這些傳統(tǒng)方法雖然在某些應(yīng)用場景下有效，但在準(zhǔn)確性和響應(yīng)速度上存在局限。特別是在復(fù)雜環(huán)境下，如光照變化、陰影、天氣條件等，這些方法容易受到干擾，導(dǎo)致檢測結(jié)果不準(zhǔn)確。

3、隨著深度學(xué)習(xí)和計算機視覺技術(shù)的發(fā)展，基于圖像處理的煙霧檢測方法逐漸成為研究熱點。這些方法通過分析圖像的顏色、紋理、運動等特征來檢測煙霧，但在復(fù)雜背景下的表現(xiàn)較差，容易受到光照變化、陰影等因素的干擾。具體來說基于圖像處理的煙霧檢測方法主要通過如下技術(shù)路線實現(xiàn)：

4、基于機器學(xué)習(xí)的檢測方法，如支持向量機（svm）、隨機森林等被用于煙霧檢測。此類方法依賴手工設(shè)計的特征（如顏色直方圖、梯度特征等），再利用分類器進(jìn)行檢測。雖在一定程度上提高了檢測精度，但因特征設(shè)計的局限性，處理復(fù)雜場景時仍有不足。

5、基于深度學(xué)習(xí)的檢測方法，卷積神經(jīng)網(wǎng)絡(luò)（cnn）被廣泛應(yīng)用于目標(biāo)檢測任務(wù)。典型的深度學(xué)習(xí)模型如?yolo、faster?r-cnn、ssd?等被用于煙霧檢測，這些模型通過自動學(xué)習(xí)圖像特征，實現(xiàn)了較高的檢測精度。但它們通常較為復(fù)雜，計算量大，難以在資源受限的設(shè)備上實時運行。

6、在現(xiàn)有技術(shù)中，基于yolo（特別是?yolov5?及其后續(xù)版本）的煙霧檢測方法被認(rèn)為是最相近似的實現(xiàn)方案。yolo?是一種單階段目標(biāo)檢測模型，將目標(biāo)檢測問題轉(zhuǎn)化為回歸問題，通過一次前向傳播同時預(yù)測多個目標(biāo)的位置和類別，實現(xiàn)了較高的檢測速度和精度。yolov5?通過引入多尺度特征圖和改進(jìn)網(wǎng)絡(luò)架構(gòu)，在保持檢測速度的同時提高了小目標(biāo)的檢測性能。然而，yolov5?及其后續(xù)版本在煙霧檢測任務(wù)中仍面臨諸多挑戰(zhàn)：

7、1、模型復(fù)雜性和計算量方面，盡管?yolo?模型相對較快，但其計算復(fù)雜度仍然較高，在嵌入式設(shè)備或?qū)崟r應(yīng)用中難以高效運行。這是因為現(xiàn)有模型通常包含大量卷積層和參數(shù)，深度神經(jīng)網(wǎng)絡(luò)進(jìn)行前向傳播和反向傳播需要大量計算資源。例如，yolov5?模型引入多尺度特征圖和改進(jìn)網(wǎng)絡(luò)架構(gòu)雖提高了檢測性能，但也顯著增加了計算量。

8、2、對小目標(biāo)和復(fù)雜場景的檢測精度有限。在實際應(yīng)用中，煙霧常呈現(xiàn)稀疏、動態(tài)變化的特性，且可能在復(fù)雜背景下出現(xiàn)，增加了檢測難度?，F(xiàn)有模型在處理小目標(biāo)和復(fù)雜場景時，容易受背景干擾和目標(biāo)模糊性影響，導(dǎo)致檢測精度下降。具體原因在于模型在多尺度特征提取和特征融合方面能力有限，不能充分捕捉小目標(biāo)的細(xì)節(jié)特征。

9、因此現(xiàn)在急需一種煙霧檢測系統(tǒng)及方法，能夠輕量高效在資源受限的設(shè)備上實現(xiàn)實時檢測、在復(fù)雜場景下對小目標(biāo)和動態(tài)變化的煙霧具有高識別準(zhǔn)確率、適應(yīng)不同光照條件和環(huán)境干擾、減少對大量訓(xùn)練數(shù)據(jù)的依賴。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種煙霧檢測系統(tǒng)及方法，能夠輕量高效在資源受限的設(shè)備上實現(xiàn)實時檢測、在復(fù)雜場景下對小目標(biāo)和動態(tài)變化的煙霧具有高識別準(zhǔn)確率。

2、為了解決上述技術(shù)問題，本技術(shù)提供如下技術(shù)方案：

3、一種煙霧檢測系統(tǒng)，包括：

4、數(shù)據(jù)預(yù)處理模塊，用于對輸入圖像進(jìn)行歸一化、數(shù)據(jù)增強和裁剪縮放，得到預(yù)處理圖像信息；

5、特征提取模塊，用于利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行特征提取，生成多尺度的特征表示，得到特征提取圖像，并通過多尺度特征融合技術(shù)，結(jié)合不同層級的特征圖，得到多尺度特征融合圖像；

6、cbam注意力機制模塊，包括空間注意力子模塊和通道注意力子模塊，空間注意力子模塊用于根據(jù)空間注意力機制，增強多尺度特征融合圖像中重要空間區(qū)域的特征，得到空間注意力圖像，空間注意力圖像包括空間權(quán)重矩陣；通道注意力子模塊根據(jù)通道注意力機制，以突出重要特征調(diào)整多尺度特征融合圖像中各通道的權(quán)重，得到通道注意力圖像；所述cbam注意力機制模塊還用于將空間權(quán)重矩陣乘以通道注意力圖像中各通道的權(quán)重得到注意力賦值圖像；

7、yolov8目標(biāo)檢測模塊，用于在注意力賦值圖像上生成錨點，所述錨點用于預(yù)測煙霧目標(biāo)的位置和大?。蝗缓罄没貧w網(wǎng)絡(luò)預(yù)測每個錨點的邊界框坐標(biāo)，包括邊界框的中心位置、寬度和高度；然后通過回歸網(wǎng)絡(luò)對每個邊界框進(jìn)行類別預(yù)測，確定其是否包含煙霧，然后通過分類網(wǎng)絡(luò)預(yù)測煙霧的類型，最后得到初步檢測結(jié)果信息；

8、結(jié)果后處理模塊，用于對檢測結(jié)果信息進(jìn)行非極大值抑制，去除重疊的檢測框，然后根據(jù)預(yù)設(shè)的置信度閾值過濾低于閾值的檢測結(jié)果，保留具有最高置信度的檢測結(jié)果，煙霧檢測結(jié)果信息，所述煙霧檢測結(jié)果信息包括煙霧的位置、大小和類別信息。

9、基礎(chǔ)方案原理及有益效果如下：數(shù)據(jù)預(yù)處理模塊通過歸一化、數(shù)據(jù)增強和裁剪縮放等操作，對輸入圖像進(jìn)行預(yù)處理，以提高后續(xù)模型處理的效率和魯棒性。特征提取模塊利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取圖像的多尺度特征，并通過特征融合技術(shù)結(jié)合不同層級的特征圖，以增強模型對不同尺寸煙霧目標(biāo)的檢測能力。cbam注意力機制模塊通過空間注意力子模塊和通道注意力子模塊的協(xié)同工作，模型能夠更加關(guān)注圖像中對煙霧檢測重要的區(qū)域和特征，從而提高檢測的準(zhǔn)確性。

10、yolov8目標(biāo)檢測模塊在經(jīng)過注意力機制增強的特征圖上進(jìn)行目標(biāo)檢測，利用錨點預(yù)測煙霧目標(biāo)的位置和大小，并進(jìn)行類別預(yù)測，以確定煙霧的存在和類型。結(jié)果后處理模塊通過非極大值抑制和置信度閾值過濾，優(yōu)化檢測結(jié)果，去除重疊和低置信度的檢測框，保留最可靠的檢測結(jié)果。

11、通過cbam注意力機制，模型能夠更加關(guān)注圖像中對煙霧檢測重要的特征，尤其是在復(fù)雜場景下對小目標(biāo)和動態(tài)變化的煙霧，提高了檢測的準(zhǔn)確性。能夠適應(yīng)不同光照條件和環(huán)境干擾，保持在各種復(fù)雜環(huán)境下的高精度檢測，增強了模型的魯棒性。yolov8模型的輕量化設(shè)計使得系統(tǒng)能夠在資源受限的設(shè)備上實時運行，降低了對計算資源的需求。

12、通過優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)和注意力機制，系統(tǒng)能夠在有限的訓(xùn)練數(shù)據(jù)上實現(xiàn)有效的學(xué)習(xí)，減少了對大量標(biāo)注數(shù)據(jù)的依賴。系統(tǒng)的高效性使其能夠?qū)崿F(xiàn)實時煙霧檢測，對于火災(zāi)預(yù)防和空氣質(zhì)量監(jiān)測具有重要的實際應(yīng)用價值。

13、本發(fā)明采用yolov8模型，這是一種專為提高效率而設(shè)計的輕量化卷積神經(jīng)網(wǎng)絡(luò)。yolov8通過減少網(wǎng)絡(luò)層的數(shù)量和參數(shù)，有效降低了模型的復(fù)雜性。相比于傳統(tǒng)的深度學(xué)習(xí)模型，yolov8在保持較高檢測精度的同時，顯著減少了計算量和內(nèi)存占用。

14、利用多尺度特征提取技術(shù)，模型能夠同時捕捉到圖像中的大目標(biāo)和小目標(biāo)的特征。這使得模型在復(fù)雜場景中對小目標(biāo)的檢測更為敏感和準(zhǔn)確。通過引入cbam注意力機制，模型能夠自動聚焦于圖像中的關(guān)鍵區(qū)域，如煙霧可能出現(xiàn)的區(qū)域。這種機制增強了模型對小目標(biāo)和復(fù)雜背景下目標(biāo)的識別能力?？臻g注意力和通道注意力的結(jié)合使用，使得模型在空間維度和通道維度上都能關(guān)注到重要的特征，進(jìn)一步提升了對小目標(biāo)和復(fù)雜場景的檢測精度。

15、綜上，本發(fā)明實現(xiàn)了輕量高效在資源受限的設(shè)備上實現(xiàn)實時檢測、在復(fù)雜場景下對小目標(biāo)和動態(tài)變化的煙霧具有高識別準(zhǔn)確率。

16、進(jìn)一步，所述數(shù)據(jù)預(yù)處理模塊用于執(zhí)行圖像歸一化步驟，將輸入圖像的像素值歸一化到[0，1]范圍；然后執(zhí)行數(shù)據(jù)增強步驟，通過旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等操作生成多樣化的訓(xùn)練樣本；最后執(zhí)行圖像裁剪和縮放步驟，將輸入圖像裁剪和縮放到固定尺寸，得到預(yù)處理圖像信息。

17、該步驟涉及將輸入圖像的所有像素值從原始的[0,?255]整數(shù)范圍線性映射到[0,1]的浮點數(shù)范圍。此操作通過將每個像素值除以255來實現(xiàn)，歸一化不僅有助于加快后續(xù)卷積層的收斂速度，還有助于提高模型在不同光照條件下的魯棒性。通過隨機應(yīng)用一系列圖像變換操作來增加訓(xùn)練樣本的多樣性。數(shù)據(jù)增強不僅提高了模型的泛化能力，還有助于減少過擬合，使模型在實際應(yīng)用中更加穩(wěn)定和可靠。將經(jīng)過歸一化和增強后的圖像裁剪和縮放到網(wǎng)絡(luò)輸入所需的固定尺寸。這一步驟確保了所有輸入圖像具有統(tǒng)一的維度，便于網(wǎng)絡(luò)處理。

18、進(jìn)一步，所述特征提取模塊采用yolov8模型的多層卷積神經(jīng)網(wǎng)絡(luò)。

19、特征提取模塊是本發(fā)明煙霧檢測系統(tǒng)的核心組成部分，負(fù)責(zé)從預(yù)處理后的圖像中提取有用的特征信息。該模塊采用yolov8模型，這是一個先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)（cnn），專為實時目標(biāo)檢測任務(wù)而設(shè)計。yolov8模型以其高效率和準(zhǔn)確性而著稱，特別適合于需要快速且準(zhǔn)確檢測的應(yīng)用場景。yolov8模型由多個卷積層組成，每個卷積層后面通常跟隨一個或多個池化層和激活函數(shù)。淺層卷積層用于捕捉圖像中的低級特征，如邊緣和紋理。這些層通常包含較少的過濾器，以保持模型的計算效率。深層卷積層隨著網(wǎng)絡(luò)層次的加深，深層卷積層能夠捕捉更復(fù)雜的特征，如形狀和對象部分。這些層包含更多的過濾器，以提取豐富的特征表示。池化層用于降低特征圖的空間維度，同時保留重要的特征信息。池化操作有助于提高模型對小目標(biāo)和圖像變形的魯棒性。激活函數(shù)，如relu（rectified?linear?unit），用于引入非線性，增強模型的表達(dá)能力。激活函數(shù)幫助模型學(xué)習(xí)復(fù)雜的特征組合。批量歸一化層用于標(biāo)準(zhǔn)化層的輸出，加速模型的訓(xùn)練過程，并提高模型的泛化能力。殘差連接用于緩解深度網(wǎng)絡(luò)訓(xùn)練中的梯度消失問題，通過添加直接連接幫助梯度流動，提高訓(xùn)練穩(wěn)定性。yolov8模型采用多尺度特征融合技術(shù)，結(jié)合不同層次的特征圖，以提高對不同尺寸目標(biāo)的檢測能力。

20、進(jìn)一步，所述空間注意力子模塊包括：

21、一個或多個卷積層，用于提取空間特征；

22、一個或多個池化層，用于減少特征圖的空間維度；

23、一個或多個激活函數(shù)，用于引入非線性并增強特征表示能力；

24、一個或多個全連接層，用于學(xué)習(xí)空間位置的重要性權(quán)重。

25、一個或多個卷積層用于提取圖像的空間特征。這些層通過學(xué)習(xí)圖像中的局部連接模式和空間層次結(jié)構(gòu)，捕捉到與煙霧相關(guān)的空間信息。卷積層通常包含可學(xué)習(xí)的權(quán)重和偏置，通過反向傳播算法進(jìn)行優(yōu)化。一個或多個池化層用于降低特征圖的空間維度，同時保留重要的空間特征。池化操作通常包括最大池化或平均池化，有助于減少計算量并提高模型的抽象能力。池化層有助于使模型對小的位置變化具有魯棒性，同時保持對煙霧特征的敏感性。一個或多個激活函數(shù)，如relu（rectified?linear?unit），用于引入非線性，增強模型的特征表示能力。非線性激活函數(shù)使得模型能夠?qū)W習(xí)復(fù)雜的特征組合，提高對煙霧的識別能力。激活函數(shù)有助于解決深度學(xué)習(xí)模型中的線性不可分問題，使模型能夠捕捉到更加復(fù)雜的空間特征。一個或多個全連接層用于學(xué)習(xí)空間位置的重要性權(quán)重。這些層通過全局連接，將空間特征映射到一個權(quán)重向量，表示每個空間位置的重要性。全連接層通常包含大量的參數(shù)，需要通過大量的訓(xùn)練數(shù)據(jù)進(jìn)行優(yōu)化。這些層的輸出可以看作是一個空間權(quán)重圖，用于調(diào)整輸入特征圖的每個空間位置。

26、進(jìn)一步，所述激活函數(shù)為sigmoid激活函數(shù)，用于將全連接層的輸出轉(zhuǎn)換為空間權(quán)重矩陣，其中每個元素的值介于0和1之間，表示對應(yīng)空間位置的重要性。

27、通過在空間注意力子模塊中使用sigmoid激活函數(shù)，能更準(zhǔn)確地識別煙霧目標(biāo)，尤其是在復(fù)雜場景中。sigmoid函數(shù)生成的空間權(quán)重矩陣提供了一種直觀的方式來理解模型關(guān)注的區(qū)域，增強了模型的可解釋性。

28、進(jìn)一步，所述通道注意力子模塊包括：

29、一個全局平均池化層，用于聚合每個通道的特征，生成通道描述符；

30、一個或多個卷積層，用于從通道描述符中提取特征；

31、一個或多個激活函數(shù)，用于引入非線性并增強特征表示能力；

32、一個或多個全連接層，用于學(xué)習(xí)通道的重要性權(quán)重。

33、進(jìn)一步，所述激活函數(shù)為softmax激活函數(shù)，用于將全連接層的輸出轉(zhuǎn)換為通道權(quán)重向量，其中每個元素的值表示對應(yīng)通道的重要性。

34、通過精心設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)，能夠識別并強調(diào)圖像中與煙霧檢測相關(guān)的通道，從而提高模型對煙霧目標(biāo)的識別精度。全局平均池化層用于聚合每個通道的特征，生成通道描述符。這一步驟通過計算每個通道內(nèi)所有空間位置的平均值來實現(xiàn)。一個或多個卷積層用于從通道描述符中提取特征。這些層通過學(xué)習(xí)通道間的復(fù)雜關(guān)系，進(jìn)一步增強特征的表示能力。softmax激活函數(shù)將實值輸入壓縮到?(?(0,?1)?)?區(qū)間內(nèi)，并使所有輸出值的和為1，這種特性使其成為轉(zhuǎn)換權(quán)重向量的理想選擇，用于表示通道的重要性。

35、進(jìn)一步，所述結(jié)果后續(xù)處理模塊還用于分析預(yù)處理圖像信息中是否存在人體的運動軌跡，并根據(jù)人體的形態(tài)學(xué)識別，人體的注視方向，并在人體的注視方向與所述煙霧檢測結(jié)果信息中的煙霧的位置重疊，且人體的運動軌跡未發(fā)生急速變化時，抑制報警輸出；若人體的注視方向與所述煙霧檢測結(jié)果信息中的煙霧的位置不重疊，或者人體的注視方向與所述煙霧檢測結(jié)果信息中的煙霧的位置重疊，但人體的運動軌跡發(fā)生急速變化，則生成報警輸出指令。

36、增加了人體運動軌跡分析和安全評估的功能，以提高報警的準(zhǔn)確性并減少誤報。

37、一種煙霧檢測方法，包括：

38、s1.數(shù)據(jù)預(yù)處理，對輸入圖像進(jìn)行歸一化、數(shù)據(jù)增強和裁剪縮放，得到預(yù)處理圖像信息；

39、s2.特征提取，利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行特征提取，生成多尺度的特征表示，得到特征提取圖像，并通過多尺度特征融合技術(shù)，結(jié)合不同層級的特征圖，得到多尺度特征融合圖像；

40、s3.cbam注意力機制步驟，根據(jù)空間注意力機制，增強多尺度特征融合圖像中重要空間區(qū)域的特征，得到空間注意力圖像，空間注意力圖像包括空間權(quán)重矩陣；然后根據(jù)通道注意力機制，以突出重要特征調(diào)整多尺度特征融合圖像中各通道的權(quán)重，得到通道注意力圖像；然后將空間權(quán)重矩陣乘以通道注意力圖像中各通道的權(quán)重得到注意力賦值圖像；

41、s4.yolov8目標(biāo)檢測，在注意力賦值圖像上生成錨點，所述錨點用于預(yù)測煙霧目標(biāo)的位置和大??；然后利用回歸網(wǎng)絡(luò)預(yù)測每個錨點的邊界框坐標(biāo)，包括邊界框的中心位置、寬度和高度；然后通過回歸網(wǎng)絡(luò)對每個邊界框進(jìn)行類別預(yù)測，確定其是否包含煙霧，然后通過分類網(wǎng)絡(luò)預(yù)測煙霧的類型，最后得到初步檢測結(jié)果信息；

42、s5.結(jié)果后處理，對檢測結(jié)果信息進(jìn)行非極大值抑制，去除重疊的檢測框，然后根據(jù)預(yù)設(shè)的置信度閾值過濾低于閾值的檢測結(jié)果，保留具有最高置信度的檢測結(jié)果，煙霧檢測結(jié)果信息，所述煙霧檢測結(jié)果信息包括煙霧的位置、大小和類別信息。

43、進(jìn)一步，所述s1數(shù)據(jù)預(yù)處理為，執(zhí)行圖像歸一化步驟，將輸入圖像的像素值歸一化到[0，1]范圍；然后執(zhí)行數(shù)據(jù)增強步驟，通過旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等操作生成多樣化的訓(xùn)練樣本；最后執(zhí)行圖像裁剪和縮放步驟，將輸入圖像裁剪和縮放到固定尺寸，得到預(yù)處理圖像信息。

44、進(jìn)一步，所述s2中采用的是yolov8模型的多層卷積神經(jīng)網(wǎng)絡(luò)。