(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 202210559677.3 (22)申请日 2022.05.23 (71)申请人 重庆科技学院 地址 401331 重庆市沙坪坝区大 学城东路 20号 (72)发明人 文婷婷　陈国荣　张毅轩　汪博城　 胡彪彪　黄佳铭　肖彦冰　袁巧　 (74)专利代理 机构 重庆敏创专利代理事务所 (普通合伙) 50253 专利代理师 陈千 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 基于边缘计算及改进的YOLOv3的火灾检测 方法及系统 (57)摘要 本发明提供一种基于边缘计算及改进的 YOLOv3的火灾检测方法及系统， 图像 经过随机裁 剪和扩容， 增加模型的泛化能力， 能够更好地学 习到目标特征； 在YOL Ov3的基础上对 算法进行改 进， 将骨干网络D arknet‑53替换为ResNet50 ‑vd 网络， 并采用可变形的卷积层替换了ResNet50 ‑ vd中的一部分卷积层， 在多尺度检测中添加104 ×104尺度的检测以及扩展 步长2， 4， 8， 使之可以 对火灾进行更好的检测。 计算差别区域的损失 值， 继而调整下一次迭代的模型参数， 提升了模 型对火灾区域的检测精度， 最终得到最优的模型 效果， 并保存。 与同类火灾检测算法相比具有更 好的鲁棒性， 无论是在准确度还 是速度上都有良 好的表现。 不仅在大火灾区域的图像上有良好的 检测结果， 在小火灾区域都可适用， 通用性强。 权利要求书2页 说明书6页 附图1页 CN 114998831 A 2022.09.02 CN 114998831 A 1.一种基于边 缘计算及改进的YOLOv3的火灾检测方法， 其特 征在于， 包括以下步骤： S1： 将图像数据按照一定的比例划分， 对数据图像的大小进行调整， 再用数据增强方法 对数据进行扩容和丰富， 形成预处 理数据集； S2： 将预处理数据集转化为RGB三色通道的输入矩阵， 然后将得到的初始语义特征进行 ResNet50 ‑vd网络的训练， 对输入的图像进行特征提取， 使用步长为2的卷积来下采样， 在 32、 16、 8倍下采样得到的特征信息通过转移层进行拼接， 再使用3种 不同尺度特征图融合， 把浅层特 征图连接 到深层特 征图， 得到最终结果； S3： 模型训练时， 使用改进的损失函数来衡量真实值和预测值之间的误差； 评价模型 时， 将模型的预测的结果与手动标志的火灾区域做对比， 计算精确度， 精确最高的相关参数 设置即为 最终的模型训练文件； S4： 对采集到的图像数据， 利用改进的YOLOv3模型在基于边缘服务器计算平台进行实 时分析处理， 并将数据回传到数据中心进行模型 的优化和 算法的迭代， 实现对火灾火情的 智能监测管理。 2.根据权利 要求1所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在于， 从互联网选取火灾图像作为原数据集， 包括白天和夜晚不同场景下的火灾图像以及类火灾 图像、 夜晚街灯图像、 清洁工或消防员图像； 将原数据集中的图像按一定比例划分为训练 集、 验证集和 测试集。 3.根据权利 要求2所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在于， 先对训练图像进行统一编号， 编号后对待识别目标用LabelImg图像标注软件进行标注， 标 注时注意要将目标物体完全框住， 不能缺少或超过， 以免影响火灾检测的准确率， 将图像种 标注物体的种类信息和位置信息 保存至XML格式文件中， 再通过Python程序生成对应的TXT 文件， 将这些文件组合成YOLOv3可以识别的格式数据集； 然后读取训练 图像的存储路径以 及图像中目标的标记像素坐标和目标类别， 在加载图像时， 先按照顺序全部加载， 再将其重 新排列打乱。 4.根据权利 要求1或3所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在 于， 通过将图像进行90 °、 180°、 270°、 360°旋转和水平翻转进行数据增强； 或是采用平移、 缩 放或随机改变对比度的方法， 再采用Mosaic在线数据增强； 最后将4张图片进行拼接 。 5.根据权利 要求1所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在于， 改进的YOLOv3模型包括ResNet50 ‑vd网络， 检测颈和检测头三部分， 且在多尺度检测中使用 了13×13、 26×26、 52×52、 104×104共计4个尺度的检测并扩展步长2， 4， 8； 所述检测头由2 个卷积层组成， 采用3 ×3卷积跟1 ×1卷积来获得最终预测结果。 6.根据权利 要求5所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在于， 采用可变形的卷积层替换了ResNet5 0‑vd中最后阶段的3 ×3的卷积层。 7.根据权利 要求5所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在于， 改进的YOLOv3模型最后损失函数由坐标损失、 类别损失以及置信度损失三部分组成。 8.根据权利 要求7所述的基于边缘计算及改进的YOLOv3的火灾检测方法， 其特征在于， 坐标损失L ossCloU＝1‑IoU(C,D)+p2(bp,bt)/c2+α v；权　利　要　求　书 1/2 页 2 CN 114998831 A 2其中： 下标t代表真实框， 下标p代表预测框， p2()为预测框和真实框中心坐标欧式距离 的计 算函数， C为预测 框和真实框最小包围框对角线长度， α、 v是对预测框和真实框宽高比的惩 罚项， 当宽和高和接 近时， v等于 0； w和h对应为物体的宽和高。 9.一种基于边缘计算及改进的YOLOv3的火灾检测系统， 其特征在于： 包括终端层、 边缘 网关、 边缘服务器以及云平台层， 且系统按照权利要求 1‑8任一所述的基于边缘计算及改进 的YOLOv3的火灾检测方法实现 火灾检测。权　利　要　求　书 2/2 页 3 CN 114998831 A 3