一种基于改进YOLOv9电焊施工场景下灭火器的检测方法及系统

本发明涉及目标检测，特别是涉及一种基于改进yolov9电焊施工场景下灭火器的检测方法。

背景技术：

1、随着制造业的迅速发展，在工业生产作业中，电焊施工作业日益频繁。作为一项明火作业，电焊具有高温、高压、易燃易爆的危险，而且作业现场电焊熔融的金属火花会到处飞溅或从高空掉落焊渣，极易引燃可燃物，造成火灾事故。电焊施工作业必须经过安全管理人员批准和备好安全措施。办理审批手续后，方可在申请的时间段进行作业。然而，部分企业工作人员安全意识薄弱，存在侥幸心理，会违反规定进行作业，带来严重的安全隐患。为了保证电焊作业都按照规定来操作，应急管理部门通过安装在工厂的摄像头进行远程监控，不定期对辖区内的企业进行巡检和抽查，确保电焊作业时周围是否有灭火器，并且符合作业规范。同类生产企业往往汇集在同一区域或同一个工业园区内，导致辖区内的企业较多，而管理人员人手有限，不足以覆盖所有的区域。另外，依靠人工肉眼监督，效率低，长时间的疲劳作业也会带来安全漏洞。

技术实现思路

1、发明目的：针对背景技术中指出的问题，本发明提出一种基于改进yolov9电焊施工场景下灭火器的检测方法，可对监控摄像头图像中的灭火器的位置信息进行精确检测。

2、技术方案：本发明提出一种基于改进yolov9电焊施工场景下灭火器的检测方法，包括以下步骤：

3、步骤1：构建灭火器数据集，并对其进行预处理和数据增强，进行人工标注后划分训练集和测试集；

4、步骤2：搭建改进yolov9模型框架，利用c3attention模块替换yolov9主干网络中的repncspelan4模块，在head部分将repncspelan4模块分别引入se注意力机制、lskblock，最终获取改进后的yolov9检测模型；

5、所述改进yolov9模型模块搭建改进yolov9模型框架，具体利用c3attention模块替换yolov9主干网络中第三层、第五层、第七层的repncspelan4模块，并在第九层的repncspelan4模块引入lskblock，在head部分第十七层和第二十五层repncspelan4模块引入lskblock，在第二十一层repncspelan4模块引入se注意力机制；

6、步骤3：利用训练集对改进后的yolov9模型进行训练，并对待检测灭火器数据图片进行检测。

7、进一步地，所述c3attention模块包括、基本卷积模块、批归一化模块、激活函数模块、bottleneck模块、注意力机制模块，其包括在c3attention模块内部，输入的特征图会被分为两部分，一部分特征直接作为后续处理的补充，而另一部分则进入更深层的特征提取过程。进入特征提取过程的特征图会经过一系列的bottleneck模块。每个bottleneck模块通常包括一个1×1的卷积用于减少通道数，降低计算复杂度，然后是一个3×3的卷积用于在更小的通道数上进行特征提取。经过bottleneck模块处理后的特征会与直接作为输出补充的特征进行拼接，实现特征的融合。最后，拼接后的特征经过一个卷积层处理，生成c3attention模块的输出特征图。这个输出特征图将作为后续层的输入，继续在网络中进行传递和处理

8、进一步地，所述c3attention模块在经过1×1的基本卷积模块输出后还设置有一个se注意力模块。

9、进一步地，所述repncspelan4模块分别引入se注意力机制、lskblock。

10、进一步地，其特征在于，将输入图片数据经过2个3×3基本卷积模块conv模块后，进入一个c3attention模块，之后依次经过2对adown模块、c3attention模块，然后经过一个融入lskblock的repncspelan4模块进行输出。

11、进一步地，所述模块对图片数据输入后，一部分进入更深层的特征提取过程。进入特征提取过程的特征图会经过一系列的bottleneck模块。每个bottleneck模块通常包括一个1×1的卷积用于减少通道数，降低计算复杂度，然后是一个3×3的卷积用于在更小的通道数上进行特征提取。

12、进一步地，引入基于注意力机制的repncspelan4模块其引入lskblock设置使用数量为三个，引入se注意力机制设置使用数量为一个。

13、进一步地，所述步骤3的具体方法为：

14、步骤3.1：把预处理并增强后的数据集放入改进后的yolov9模型中进行训练，得到最好的权重；

15、步骤3.2：使用最好的权重进行测试和验证，调整参数；

16、步骤3.3：最后利用最优权重对灭火器进行检测，得到检测结果。

17、有益效果：本发明在yolov9的基础上，首先利用se注意力机制与c3模块融合构建成c3atttention模块，用c3attention模块替换yolov9主干网络中的部分repncspelan4模块，保持更好的准确性。然后引入se注意力机制lskblock，取得关联性更强的特征信息。再然后通过引入se注意力机制、lskblock的repncspelan4模块，提高模型对不规则形状和运动物体的处理能力。最后引入基于注意力机制的目标检测头进行训练，显著提高了目标检测头的表示能力。使用增强后的数据和改进后的模型进行训练，得到检测结果。实验表明，本发明方法在灭火器检测上的准确率得到了提升。

技术特征：

1.一种基于改进yolov9电焊施工场景下灭火器的检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进yolov9电焊施工场景下灭火器的检测方法，其特征在于，所述c3attention模块包括基本卷积模块、批归一化模块、激活函数模块、bottleneck模块、注意力机制模块；

3.根据权利要求2所述的一种基于改进yolov9电焊施工场景下灭火器的检测方法，其特征在于，每个bottleneck模块包括一个1×1的基本卷积模块用于减少通道数，然后是一个3×3的卷积用于在更小的通道数上进行特征提取。

4.根据权利要求2所述的一种基于改进yolov9电焊施工场景下灭火器的检测方法，其特征在于，所述c3attention模块在特征拼接经过一个卷积层输出后还设置有一个se注意力模块。

5.根据权利要求1所述的一种基于改进yolov9电焊施工场景下灭火器的检测方法，其特征在于，图片输入backbone中首先经过2个3×3的基本卷积模块conv，其次经过c3attention模块然后经过一个adown卷积模块再然后经过一个c3attention模块再经过一个adown卷积和一个cattention模块，再然后经过一个adown卷积模块后经过一个引入lskblock的repncspelan4模块。

6.根据权利要求5所述的一种基于改进yolov9电焊施工场景下灭火器的检测方法，其特征在于，adown卷积的过程包括输入的张量x先经过步长为1的平均池化，再平均分成两组，一组经过一个步长为2的卷积；另一组经过一个最大池化，再经过一个卷积；最后通过cat层将两组进行堆叠，然后输出到模型的head部分。

7.一种基于改进yolov9电焊施工场景下灭火器的检测系统，其特征在于，包括：数据预处理模块、改进yolov9模型模块、训练检测模块；

8.根据权利要求7所述的一种基于改进yolov9电焊施工场景下灭火器的检测系统，其特征在于，所述c3attention模块包括基本卷积模块、批归一化模块、激活函数模块、bottleneck模块、注意力机制模块；

9.根据权利要求8所述的一种基于改进yolov9电焊施工场景下灭火器的检测系统，其特征在于，每个bottleneck模块包括一个1×1的基本卷积模块用于减少通道数，然后是一个3×3的卷积用于在更小的通道数上进行特征提取。

10.根据权利要求8所述的一种基于改进yolov9电焊施工场景下灭火器的检测系统，其特征在于，c3attention模块在特征拼接经过一个卷积层输出后还设置有一个se注意力模块。

技术总结本发明公开了一种基于改进YOLOv9电焊施工场景下灭火器的检测方法，包括：利用训练数据集对改进后的YOLOv9目标检测算法进行训练，该算法为在原始算法的基础上，将Backbone主干网中的部分RepNCSPELAN4模块替换为C3Attention模块，其中C3Attention是C3模块融合了SE注意力机制提高骨干网络中的目标检测能力和效率，并且在Head中分别融入了SE注意力机制、LSKBlock,根据训练检测结果和目标真实标签计算预测损失，并利用预测损失对目标检测模型进行优化，重复迭代直至达到设定的迭代次数输出训练好的目标检测模型；本发明能够保证检测速度的实时性，同时充分提取浅层信息，加强对灭火器的检测效果，进一步提高了模型检测精度。技术研发人员：王辰斌,宗慧,罗嘉辰,石超楠,安雯龙,刘向超,杨占辉,卫智利,王琳静,马军斋,周恒,陈鑫,王建,张乐,杨文俊,杨乐楠,徐阳受保护的技术使用者：淮阴工学院技术研发日：技术公布日：2024/7/29