一种基于YOLO的隧道火灾异常事件检测方法与流程

本发明属于计算机视觉和人工智能领域，具体涉及到隧道监控图像检测与处理，特别涉及到一种基于yolo的隧道火灾异常事件检测方法。

背景技术：

1、隧道火焰异常事件检测是一项在隧道建成投入运营后至关重要的任务，随着科学技术的进步，目前大多数隧道都已经布置有各种监测传感器，包括温度传感器、烟雾探测器等，这些传感器在隧道火灾的早期预警和应急响应中发挥了重要作用。然而，现有的火焰检测技术在隧道环境中仍然面临一些挑战，导致其检测效果存在一定的局限性，具体包括以下几个方面：

2、目前隧道内的火焰检测主要依靠烟雾探测器和温度传感器，但由于隧道内车流量大，车灯、尾气等干扰因素较多，容易造成传感器的误检。此外，隧道结构复杂，存在死角和遮挡，传统传感器布设难以全面覆盖，容易出现漏检现象。这些问题导致火灾初期无法及时准确地被检测到，增加了火灾扩散的风险。

3、传统的火焰检测算法在面对隧道内复杂的光照和环境条件时，往往检测准确率不高。车灯光线、隧道反光材料等因素容易导致算法误判。同时，现有算法对小尺度火焰目标的检测能力有限，不能准确捕捉初期火焰的特征，导致早期火灾预警效果不佳。

技术实现思路

1、发明目的：针对以上提到的现有技术的不足，本发明提供一种基于yolo的隧道火灾异常事件检测方法，从而可以高效地高精度地检测隧道火灾异常事件。

2、技术方案：一种基于yolo的隧道火灾异常事件检测方法，步骤如下：

3、s1、基于部署在隧道内的摄像头采集包含火灾和烟雾在内的监测数据，并对所采集的监测数据进行标注，以生成训练数据集；

4、s2、引入三重注意力机制，且基于特征金字塔网络设计用于火焰检测的小尺度检测层，通过跨层连接以得到改进的yolo网络模型；

5、所述的三重注意力机制通过三个并行分支分别用于捕捉输入张量的通道维度与空间维度之间的依赖关系，由此实现跨维度交互，具体包括如下的计算过程：

6、高度-宽度注意力的计算：

7、

8、其中表示sigmoid函数，表示二维卷积层，表示对输入特征进行池化操作；

9、通过在零维度上进行最大池化和平均池化，将输入特征图压缩为两维，具体表示为：

10、<mstyle displaystyle="true" mathcolor="#000000"><mstyle displaystyle="true" mathcolor="#000000"><mi>z</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>p</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>o</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>o</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>l</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>(</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>χ</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>)</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>=</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mo>[</mo><mstyle displaystyle="true" mathcolor="#000000"><mstyle displaystyle="true" mathcolor="#000000"><mi>m</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>a</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>x</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>p</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>o</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>o</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>l</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><msub><mrow /><mrow><mstyle displaystyle="true" mathcolor="#000000"><mn>0</mn></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>d</mi></mstyle></mrow></msub></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>(</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>χ</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>)</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>,</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>a</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>v</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>g</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>p</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>o</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>o</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>l</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><msub><mrow /><mrow><mstyle displaystyle="true" mathcolor="#000000"><mn>0</mn></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>d</mi></mstyle></mrow></msub></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>(</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>χ</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>)</mi></mstyle></mstyle><mo>]</mo></mstyle></mstyle>

11、将输入的特征进行转置后按照高度-宽度注意力计算方法得到通道-高度注意力和通道-宽度注意力；

12、最终输出三重注意力特征图通过融合三个加权后的特征图得到：

13、

14、s3、采用步骤s2所述的yolo网络模型对构建的数据集进行学习和训练，以构建用于别隧道火灾和其他异常事件特征的深度学习模型；

15、s4、采用分布式计算方法对隧道内所有监控摄像头的实时视频流进行捕获和解码，并输入到所述yolo网络模型的若干个副本中并行检测，由此实现对实时视频流的处理；

16、s5、结合火焰和烟雾的检测目标，计算综合置信度评分，根据所述的综合置信度评分来判断是否有隧道火灾异常事件发生。

17、进一步地，步骤s1所述的监测数据包括图片形式和视频形式，监测数据的内容包括火灾异常事件场景以及部分未出现异常事件的场景。

18、步骤s1对于训练数据集的生成还包括利用网络爬虫在内的工具，获取其他隧道火灾图片数据以扩充训练数据集，以实现提高yolo网络模型的泛化性能；所述的训练数据集也包括不同天气及时间段的场景数据；然后标注所采集的数据，包括火焰以及烟雾目标的包围盒。

19、进一步地，在步骤s2中，所述三重注意力机制是在cbam模块基础上引入跨维度交互，结合通道注意力、空间注意力和跨层注意力，使网络能够更准确地捕捉小目标的关键特征。

20、步骤s2中的特征金字塔网络是通过增加特征金字塔的深度以实现优化，并采用加权跨层双向连接，促进低层特征细节信息与高层特征的交互，提高特征复用和信息传递能力。

21、更进一步地，在特征金字塔网络中，包括设置一个及以上的权重参数实现加权双向特征金字塔网络，然后通过快速归一化融合方法来学习和调整不同输入特征的重要性；快速归一化融合方法由以下公式计算：

22、

23、式中，为融合后的输出特征，为输入特征分支，为可学习的参数权重，通过relu函数确保非负，=0.0001是一个为防止数值不稳定的值。

24、进一步地，步骤s3包括根据火焰数据集的特点，在训练过程中利用k-means++算法生成一组适用于火焰检测的锚框；也包括对在隧道内实时捕获的部分数据进行人工标记，然后将人工标记的数据迭代训练数据集。

25、在步骤s5所述综合置信度评分的计算公式如下：

26、

27、其中参数和分别为火焰和烟雾的权重，和分别为检测到的火焰和烟雾目标的数量，和分别为第个火焰和烟雾目标的置信度，用于降低模型检测结果假正例出现的频率，弥补单个类别预测性能的不足。

28、有益效果：本发明基于yolo网络模型，利用现有的隧道视频监控系统以及计算机视觉方法，对隧道内火灾异常事件进行实时检测。通过引入综合置信度评分机制，根据烟雾和火焰目标的数量和置信度计算综合评分，从而有效降低了误报率。这种机制可以准确区分真正的火灾事件与其他异常情况，减少了误报带来的不必要的警报和干扰，提高了检测系统的可靠性。其次，本发明引入三重注意力机制，包括通道注意力、空间注意力和跨层注意力，使网络能够更准确地捕捉小目标的关键特征。这在隧道火灾检测中尤为重要，因为火源在早期阶段通常较小且难以检测。通过三重注意力机制，模型在捕捉和区分细微火源特征方面表现出色，提高了检测的精度和灵敏度。最后，本发明通过引入加权双向特征金字塔网络，在yolo网络模型的基础上优化了特征金字塔设计，使不同分辨率的特征在自顶向下和自底向上的双向路径中进行交互。这种跨层连接方式促进了低层细节信息与高层语义特征的充分融合，从而显著增强了对隧道火灾异常事件检测中的关键特征提取能力。同时所述加权双向特征金字塔网络中采用快速归一化融合方法，显著提高了计算效率，减低了计算的复杂度。