(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 202210781774.7 (22)申请日 2022.07.05 (71)申请人 西安邮电大 学 地址 710061 陕西省西安市长安区长安 南 路563号 (72)发明人 江祥奎　胡浩昌　赵峰　张三　 胡艺辉　王无为　李红　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 韩玙 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/94(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于加权双向特征金字塔网络的轻量 级火灾检测方法 (57)摘要 本发明公开了一种基于加权双向特征金字 塔网络的轻量级火灾检测方法， 使用RepVGG模块 替换了YOLOv5s网络模型骨干网络的卷积模块 Conv； 在YOLOv5s引入轻量型通道和空间注意力 机制CBAM； 采用BiFPN结构作为YOL Ov5s的特征融 合网络； 制作火灾图像检测数据集并将其分为训 练集、 验证集和测试集； 将数据集输入到改进后 的YOLOv5s网络模型中， 并经过GP U进行训练和测 试， 得到最优权重； 使用最优权重将火灾图像输 入到YOLOv5s网络模型中， 得到火灾实时检测结 果。 本发明使得检测火灾图像的速度更快， 精度 更高， 降低了网络模型的计算量， 提高了推理和 检测的精度。 权利要求书1页 说明书6页 附图5页 CN 115063665 A 2022.09.16 CN 115063665 A 1.一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 具体按照 如下步骤进行： 步骤1： 使用RepVG G模块替换了YOLOv5s网络模型的骨干网络的卷积模块Co nv； 步骤2： 在YOLOv5s网络模型的骨干网络中引入轻量型通道和空间注意力机制CBAM； 步骤3： 采用BiFPN结构作为YOLOv5s网络模型的特征融合 网络， 优化原有的FPN和PANet 结构， 完成改进后的YOLOv5s网络模型； 步骤4： 制作火灾图像 检测数据集并将其分为训练集、 验证集和 测试集； 步骤5： 将步骤4 中的火灾图像检测数据 集输入到改进后的YOLOv5s网络模型中， 并经过 GPU进行训练和 测试， 得到最优权 重； 步骤6： 使用最优权重将需要检测的火灾图像输入到步骤5训练和测试后的YOLOv5s网 络模型中， 得到火灾实时检测结果。 2.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 步骤1具体为： RepVGG模块是一种轻量型的卷积神经网络模块， 分别在骨干网 络的第1层、 第4层、 第6层和第8层改进替换原来的Co nv模块。 3.根据权利要求2所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 步骤2 中， CBAM注意力机制是一种轻量型的通道和空间注意力机制， 在骨干网 络的第3层引入该模块。 4.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 步骤3中， 所述BiFPN结构是一种加权双向特征金字塔网络， 基于FPN结构BiFPN 网络的每个节点都会对输入的特征向量以加权融合的方式来融合不同特征层， 基于PANet 结构BiFPN网络重复实现自上而下和自下而 上的双向融合， 最终三个BiFPN基础结构叠加输 出融合低维和高维的特 征。 5.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 步骤4具体为： 明确需要检测的火灾图像和尺寸大小， 通过视频截取、 相机拍摄 和在线搜集的方式收集火灾图像， 使用目标检测标注软件Labelimg对得到的火灾图像进 行 信息标注并存储为xml格式的文件类型， 完成信息标注后统计火灾图像数据集的图像数量， 将所有完成信息标注的xml格式的文件类型转换为txt文件类型， 得到火灾图像检测数据 集。 6.根据权利要求5所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 步骤4中， 信息标注包括： 选择标注所述火灾图像数据集的格式为VOC格式、 需 要检测的火灾类别、 已标注图片生成文件的名称和存储路径、 所在图像中目标区域的坐标 值和长宽大小。 7.根据权利要求1所述的一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 其特征在于， 步骤5具体为， 将火灾图像检测数据集中的图像输入到改进后的YOLOv5s网络 模型并经 过GPU进行迭代训练， 训练得到改进后的YOLOv5s网络模型的最优权 重。权　利　要　求　书 1/1 页 2 CN 115063665 A 2一种基于加权双向特征金字塔 网络的轻量级火灾检测方 法 技术领域 [0001]本发明属于目标检测方法技术领域， 具体涉及一种基于加权双向特征金字塔网络 的轻量级火灾检测方法。 背景技术 [0002]火灾发生时不仅会对人类的生命安全和财产 造成严重威胁， 而且会对人类和生态 系统带来巨大 的破坏。 这种破坏往往会快速蔓延并容易失去控制， 严重危害相关区域的生 产安全且被破坏的区域往往难以再生和恢复。 传统的火灾检测识别方法如感温、 感烟、 感光 等技术易受到空间高度、 气流、 粉尘等因素的影响， 不适合在大空间以及户外的环境， 而可 视火灾检测技术由于其反应速度快， 检测范围广， 监测距离远等优点越来越受到人们的重 视； [0003]近年来， 随着计算机视觉 的快速发展， 基于深度学习与图像处理相 结合的火灾检 测技术也在迅速发展， 基于深度学习的火灾检测技术可以克服传统火灾检测 技术的不足。 因此， 基于深度学习的火灾检测技 术为解决公共安全问题提供了一种全新的解决办法。 发明内容 [0004]本发明的目的是提供一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 解决了目前检测火灾图像的速度和精度不够高、 且一定程度上网络模型的计算量有待进一 步优化的问题。 [0005]本发明所采用的技 术方案是， [0006]一种基于加权双向特征金字塔网络的轻量级火灾检测方法， 具体按照如下步骤进 行： [0007]步骤1： 使用RepVGG模块替换了YOLOv5s网络模型的骨干网络的卷积模块Conv， 对 图像目标区域进行 特征提取； [0008]步骤2： 在YOLOv5s网络模型的骨干网络中引入轻量型通道和空间注意力机制 CBAM； [0009]步骤3： 采用BiFPN结构作为YOLOv5s网络模型 的特征融合网络， 优化原有的FPN和 PANet结构， 完成改进后的YOLOv5s网络模型； [0010]步骤4： 制作火灾图像 检测数据集并将其分为训练集、 验证集和 测试集； [0011]步骤5： 将 步骤4中的火灾图像检测数据集输入到改进后的YOLOv5s网络模型中， 并 经过GPU进行训练和 测试， 得到最优权 重； [0012]步骤6： 使用最优权重将需要检测的火灾图像输入到步骤5训练和测试后的 YOLOv5s网络模型中， 得到火灾实时检测结果。 [0013]本发明的特点还在于； [0014]步骤1具体为： RepVGG模块是一种轻量型的卷积神经 网络模块， 分别在骨 干网络的 第1层、 第4层、 第6层和第8层改进替换原 来的Conv模块； 特征提取是基于RepVGG模块的结构说　明　书 1/6 页 3 CN 115063665 A 3