CN114298167A - 一种基于yolo神经网络的隧道火灾检测方法 - Google Patents
一种基于yolo神经网络的隧道火灾检测方法 Download PDFInfo
- Publication number
- CN114298167A CN114298167A CN202111509268.4A CN202111509268A CN114298167A CN 114298167 A CN114298167 A CN 114298167A CN 202111509268 A CN202111509268 A CN 202111509268A CN 114298167 A CN114298167 A CN 114298167A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- fire
- data set
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 206010000369 Accident Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及火灾检测领域，特别涉及一种基于YOLO神经网络的隧道火灾检测方法，包括如下步骤：在本发明中制作火灾图片数据集；并基于数据集建立训练模型；将数据集中的火灾图片使用roboflow对图片进行标注；输入到训练模型中对模型进行训练；将训练后的模型接入高速公路的监控摄像头实时监测和预警，可以模拟训练结果，结果表明mAP达到了0.9以上，该模型对于隧道火灾事件的识别效果较好，有效地提高了火灾的监测。
Description
技术领域
本发明属于火灾检测领域，特别涉及一种基于YOLO神经网络的隧道火灾 检测方法。
背景技术
在公路隧道发生的安全事故中，火灾是危害最大的一类。隧道一旦发生火 灾，扑救十分困难，而且易造成严重的经济损失和人员伤亡。为了预防公路隧 道里发生火灾事故，人们提出了多种早期火灾检测技术。随着视频监控的大量 普及,基于图像视频的火灾自动检测与预警则十分有研究意义和使用价值。传统 火焰检测通常是根据先验知识设计特征提取算法,人工提取火焰动态或静态特 征,然后进行火焰识别。
此类基于计算机视觉的传统火焰检测方法,其根据先验知识设计人工特征 提取算法比较困难和耗时,在面对不同的复杂环境和多变的火焰类型时,其泛化 能力往往不足，针对复杂环境下的火灾视频检测不准确问题。
发明内容
针对上述问题，本发明提供了一种基于YOLO神经网络的隧道火灾检测方 法，包括如下步骤：
制作火灾图片训练数据集；
将所述数据集中的火灾图片使用roboflow对图片进行标注；
基于所述数据集，利用YOLOv5算法建立训练模型；
将标注后的火灾图片输入到训练模型中对模型进行训练；
将训练后的模型接入高速公路的监控摄像头进行实时监测和预警。
优选的，其中，所述数据集中包括训练集、验证集和测试集；
所述训练模型中包括YOLO神经网络。
优选的，所述训练集、验证集和测试集中的图片数量比为：6:2:2。
优选的，训练模型中包括训练算法，该训练算法包括如下步骤：
预训练：将所述火灾图片先在ImageNet上进行了预训练，其预训练的分类 模型采用前20个卷积层，然后添加一个average-pool层和全连接层；
预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积 层和2个全连接层；
网络预测：采用NMS算法：首先从所有的检测框中找到置信度最大的那 个框，然后挨个计算其与剩余框的IOU，如果其值大于一定阈值，那么就将该 框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；
解析网络的预测结果：判断预测框类别，再通过NMS算法检测预测结果 准确性。
优选的，卷积神经网络对目标部分中的特征向量进行分析，所述特征向量 由低级视觉描述子编码而成，所述低级视觉描述子包括SIFT、Haar、HOG及 SURF。
优选的，还包括检测***及网络平台，所述检测***与模型连接，所述检 测***与网络平台连接，所述网络平台上连接有报警***。
本发明的有益效果是：
在本发明中基于YOLOv5算法制作数据集；并基于数据集建立训练模型； 将数据集中的火灾图片使用roboflow对图片进行标注；输入到训练模型中对模 型进行训练；将训练后的模型接入高速公路的监控摄像头实时监测和预警，可 以模拟训练结果，结果表明mAP达到了0.9以上，该模型对于隧道火灾事件的 识别效果较好，有效地提高了火灾的监测。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明 书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可 通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描 述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出 创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于YOLO神经网络的隧道火灾检测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其 他实施例，都属于本发明保护的范围。
本发明实施例中提出了一种基于YOLO神经网络的隧道火灾检测方法，包 括如下步骤：
制作火灾图片训练数据集；
将所述数据集中的火灾图片使用roboflow对图片进行标注；
基于所述数据集，利用YOLOv5算法建立训练模型；
将标注后的火灾图片输入到训练模型中对模型进行训练；
将训练后的模型接入高速公路的监控摄像头进行实时监测和预警。
优选的，其中，所述数据集中包括训练集、验证集和测试集，分几个集主 要是为了提高模型准确性；
所述训练模型中包括YOLO神经网络。
优选的，所述训练集、验证集和测试集中的图片数量比为：6:2:2。
训练模型中包括训练算法，该训练算法包括如下步骤：
预训练：将所述火灾图片先在ImageNet上进行了预训练，其预训练的分类 模型采用前20个卷积层，然后添加一个average-pool层和全连接层；
预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积 层和2个全连接层；
网络预测：采用NMS算法：首先从所有的检测框中找到置信度最大的那 个框，然后挨个计算其与剩余框的IOU，如果其值大于一定阈值，那么就将该 框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；
解析网络的预测结果：判断预测框类别，再通过NMS算法检测预测结果 准确性。
卷积神经网络对目标部分中的特征向量进行分析，所述特征向量由低级视 觉描述子编码而成，所述低级视觉描述子包括SIFT、Haar、HOG及SURF。
还包括检测***及网络平台，所述检测***与模型连接，所述检测***与 网络平台连接，所述网络平台上连接有报警***。
在本发明中基于YOLOv5算法制作数据集；并基于数据集建立训练模型； 将数据集中的火灾图片使用roboflow对图片进行标注；输入到训练模型中 对模型进行训练；将训练后的模型接入高速公路的监控摄像头实时监测和 预警，可以模拟训练结果，结果表明mAP达到了0.9以上，该模型对于隧 道火灾事件的识别效果较好，有效地提高了火灾的监测。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的 本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于YOLO神经网络的隧道火灾检测方法，其特征在于，包括如下步骤：
制作火灾图片训练数据集；
将所述数据集中的火灾图片使用roboflow对图片进行标注；
基于所述数据集，利用YOLOv5算法建立训练模型；
将标注后的火灾图片输入到训练模型中对模型进行训练；
将训练后的模型接入高速公路的监控摄像头进行实时监测和预警。
2.根据权利要求1所述的一种基于YOLO神经网络的隧道火灾检测方法，其特征在于，其中，所述数据集中包括训练集、验证集和测试集；
所述训练模型中包括YOLO神经网络。
3.根据权利要求2所述的一种基于YOLO神经网络的隧道火灾检测方法，其特征在于，所述训练集、验证集和测试集中的图片数量比为：6:2:2。
4.根据权利要求1所述的一种基于YOLO神经网络的隧道火灾检测方法，其特征在于，训练模型中包括训练算法，该训练算法包括如下步骤：
预训练：将所述火灾图片先在ImageNet上进行了预训练，其预训练的分类模型采用前20个卷积层，然后添加一个average-pool层和全连接层；
预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层；
网络预测：采用NMS算法：首先从所有的检测框中找到置信度最大的那个框，然后挨个计算其与剩余框的IOU，如果其值大于一定阈值，那么就将该框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框；
解析网络的预测结果：判断预测框类别，再通过NMS算法检测预测结果准确性。
5.根据权利要求4所述的一种基于YOLO神经网络的隧道火灾检测方法，其特征在于，卷积神经网络对目标部分中的特征向量进行分析，所述特征向量由低级视觉描述子编码而成，所述低级视觉描述子包括SIFT、Haar、HOG及SURF。
6.根据权利要求1所述的一种基于YOLO神经网络的隧道火灾检测方法，其特征在于，还包括检测***及网络平台，所述检测***与模型连接，所述检测***与网络平台连接，所述网络平台上连接有报警***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111509268.4A CN114298167A (zh) | 2021-12-10 | 2021-12-10 | 一种基于yolo神经网络的隧道火灾检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111509268.4A CN114298167A (zh) | 2021-12-10 | 2021-12-10 | 一种基于yolo神经网络的隧道火灾检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298167A true CN114298167A (zh) | 2022-04-08 |
Family
ID=80966891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111509268.4A Pending CN114298167A (zh) | 2021-12-10 | 2021-12-10 | 一种基于yolo神经网络的隧道火灾检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298167A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147715A (zh) * | 2022-04-14 | 2022-10-04 | 山东浪潮科学研究院有限公司 | 一种基于TinyML的火灾检测方法及装置 |
| CN115753848A (zh) * | 2022-12-02 | 2023-03-07 | 中山大学孙逸仙纪念医院深汕中心医院 | 一种射线探伤远程在线监测***及方法 |
-
2021
- 2021-12-10 CN CN202111509268.4A patent/CN114298167A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147715A (zh) * | 2022-04-14 | 2022-10-04 | 山东浪潮科学研究院有限公司 | 一种基于TinyML的火灾检测方法及装置 |
| CN115753848A (zh) * | 2022-12-02 | 2023-03-07 | 中山大学孙逸仙纪念医院深汕中心医院 | 一种射线探伤远程在线监测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
| CN109815797B (zh) | 活体检测方法和装置 | |
| CN108564066B (zh) | 一种人物识别模型训练方法以及人物识别方法 | |
| AU2017389535A1 (en) | Image tampering detection method and system, electronic apparatus and storage medium | |
| CN114298167A (zh) | 一种基于yolo神经网络的隧道火灾检测方法 | |
| CN110827505A (zh) | 一种基于深度学习的烟雾分割方法 | |
| CN110674790B (zh) | 一种视频监控中异常场景处理方法及*** | |
| CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
| CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
| CN112801008A (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
| CN111626169B (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
| CN113065578A (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
| CN111813997A (zh) | 入侵分析方法、装置、设备及存储介质 | |
| CN113221890A (zh) | 一种基于ocr的云手机文字内容监管方法和***和*** | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
| CN111178146A (zh) | 基于人脸特征识别主播的方法及装置 | |
| CN112785578A (zh) | 一种基于u型编码解码器神经网络的道路裂缝检测方法及*** | |
| CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
| Tao et al. | Smoke vehicle detection based on spatiotemporal bag-of-features and professional convolutional neural network | |
| CN115410119A (zh) | 一种基于训练样本自适应生成的剧烈运动检测方法及*** | |
| CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
| CN111898440B (zh) | 一种基于三维卷积神经网络的山火检测方法 | |
| CN113255519A (zh) | 一种输电线路危险车辆吊车扬臂识别***及多目标跟踪方法 | |
| CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |