(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210823908.7 (22)申请日 2022.07.13 (71)申请人 云南大学 地址 650500 云南省昆明市 云南大学呈贡 校区 (72)发明人 丁洪伟　徐航　王冠博　胡鹏　 马宏伟　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 王爱涛 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于改进型YOLOv4的火焰检测方法及系统 (57)摘要 本发明公开了一种基于改进型YOLOv4的火 焰检测方法及系统， 涉及火灾环境监控技术领 域， 主要包括： 将目标监控图像输入至火焰检测 模型中， 得到目标区域的预测结果图像； 预测结 果图像包括： 识别的火焰数量和火焰区域大小； 火焰检测模型是通过样本数据对改进型YOLOv4 网络模型进行训练得到的； 样 本数据包括多个样 本对； 样本对包括样本监控图像及对应的先验 框； 先验框是通过聚类算法确定的； 改进型 YOLOv4网络模型为Mish激活函数； 改进型YOL Ov4 网络模型包括依次连接的输入层、 骨干网络、 颈 部网络、 头部网络和注意力机制网络， 以及与骨 干网络并联连接注意力机制网络。 本发明能够提 高火焰检测的速度和精确度的目的。 权利要求书2页 说明书8页 附图3页 CN 115049986 A 2022.09.13 CN 115049986 A 1.一种基于改进型YOLOv4的火焰检测方法， 其特 征在于， 包括： 通过摄像头获取需检测目标区域的监控视频图像； 所述监控视频图像包括一帧或者多 帧目标监控图像； 将所述目标监控图像输入至火焰检测模型中， 得到所述目标区域的预测结果图像； 所 述预测结果图像包括： 识别的火焰数量和火焰区域大小； 所述火焰检测模型是通过样本数据对改进型YOLOv4网络模型进行训练得到的； 所述样 本数据包括多个样本对； 所述样本对包括样本监控图像及对应的先验框； 所述先验框是通 过聚类算法确 定的； 所述改进型YOLOv4网络模型的激活函数为Mish激活函数； 所述改进型 YOLOv4网络模 型包括输入层、 骨干网络、 颈部网络、 头部网络和注 意力机制网络； 其中， 所述 输入层、 所述骨干网络、 所述颈部网络、 所述头部网络依次连接， 所述注意力机制网络与所 述骨干网络并联 连接。 2.根据权利 要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 在执行 所述通过摄像头获取需检测目标区域的监控视频图像之后， 还 包括： 对所述监控视频图像进行抽帧处 理， 获取监控视频中每一帧的目标监控图像。 3.根据权利 要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 所述骨 干网络由两部分组成， 一部分是卷积 Conv+批标准化BN +激活函数Mish组成的CBM模块， 另一 部分是CBM模型与残差学习ResunitN模块组成的跨阶段局部CSPX， 分别记为： CSP1、 CSP2、 CSP8、 CSP8、 CSP8。 4.根据权利 要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 所述颈 部网络由两部分组成， 一部分是卷积 Conv+批标准化BN +激活函数Mish组成的CBM模块， 另一 部分是空间金字塔池化S PP。 5.根据权利 要求4所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 所述注 意力机制网络包括并联连接的第一支路和 第二支路； 所述第一支路包括串联连接的平均池 化和上采样； 所述第二支路包括最大池化， 且所述第一支路和第二支路均与所述空间金字 塔池化SPP连接。 6.根据权利 要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 所述火 焰检测模型的训练过程： 获取含目标物体的原 始样本数据， 所述原 始样本数据分为训练子集和 测试子集； 对训练子集中图片分别进行目标物体标注， 获得对应的标注框； 对所有标注框进行聚类， 获得 K个先验框； 将所有先验框和所述图片集中的原始图片输入至改进型YOLOv4网络模型， 生成特征 图， 得到特 征图对应先验框的位置信息、 类别 信息和物体置信度； 基于设定的物体置信度阈值， 以及特征图对应先验框的位置信息、 类别信息和物体置 信度， 获得一定数量的候选 框； 对所有候选 框进行非极大值抑制， 得到预测框； 基于各预测框与对应的标注框的损失值对改进型YOLOv4网络模型的权值进行更新， 直 到损失值小于设定阈值， 获得训练好的改进型YOLOv4网络模型； 将测试子集中的图片输入至训练好的改进型YOLOv4网络模型， 获得目标物体的大小、 位置及类别， 完成目标检测， 进 而得到火焰检测模型。权　利　要　求　书 1/2 页 2 CN 115049986 A 27.根据权利要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 还包 括： 将每一帧的预测结果图像以视频流形式在显示器上展示， 实时监控目标区域是否有火 焰产生。 8.根据权利 要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 所述骨 干网络采用的是Dark net轻型开源深度学习框架。 9.根据权利 要求1所述的一种基于改进型YOLOv4的火焰检测方法， 其特征在于， 所述火 焰检测模型是在设定配置环境中， 通过样本数据对改进型YOLOv4网络模型进行训练得到 的； 所述设定配置环境是在Ubuntu系统上配置的； 所述设定配置环境的参数为： 超过2080Ti的GPU显卡、 Cuda运算平台、 Cudnn运算平台以 及opencv开发框架。 10.一种基于改进型YOLOv4的火焰检测系统， 其特 征在于， 包括： 数据获取模块， 用于通过摄像头获取需检测目标区域的监控视频图像； 所述监控视频 图像包括 一帧或者多帧目标监控图像； 预测模块， 用于将所述目标监控图像输入至火焰检测模型中， 得到所述目标区域的预 测结果图像； 所述预测结果图像包括： 识别的火焰数量和火焰区域大小； 所述火焰检测模型是通过样本数据对改进型YOLOv4网络模型进行训练得到的； 所述样 本数据包括多个样本对； 所述样本对包括样本监控图像及对应的先验框； 所述先验框是通 过聚类算法确 定的； 所述改进型YOLOv4网络模型的激活函数为Mish激活函数； 所述改进型 YOLOv4网络模 型包括输入层、 骨干网络、 颈部网络、 头部网络和注 意力机制网络； 其中， 所述 输入层、 所述骨干网络、 所述颈部网络、 所述头部网络依次连接， 所述注意力机制网络与所 述骨干网络并联 连接。权　利　要　求　书 2/2 页 3 CN 115049986 A 3