基于YOLO模型改进的火焰检测系统

基于 YOLO模型改进的火焰检测系统

丛明轩 吴思涵 吴寒 陈鑫宇 李缙绅 李雯

辽宁科技大学电子与信息工程学院，辽宁 鞍山 114000

摘要：针对传统的火焰及烟雾传感器对火灾发生初期预警效果不理想等问题，提出了一种软硬件相结合的视频图像智能检测方法。该方法基于YOLOv5算法模型，通过对火焰样本数据集进行标注，并输入到YOLOv5的训练算法，生成pt格式的权重模型，利用该权重模型进行测试，能够在短时间内对火焰进行特征提取，同时辅以高精度的烟雾传感器提高对火灾预防的准确性，实现了有效的灾情预防效果。

关键词：火焰检测；灾情预防；Opencv-YOLOv5；树莓派

0 引言

火焰，永远是人类日常生活中不可或缺的元素，但其给人类带来的威胁不可忽略。据统计，2019年全国共发生火灾13.2万起，造成大量的经济损失同时也毁灭了无数家庭，所以如果能够实现对火情的及时检测和预警就显的尤为重要。目前市面上大多数的火情预警器主要为传感器类型，虽然其拥有较高的灵敏度，但在较大空间下的检测仍存在局限性。本项目结合深度学习的计算机视觉算法和传统的高灵敏度的火焰烟雾传感器，实现了实时的火焰检测和灾情预防。

1 YOLOv5火焰检测算法原理

YOLO是“You Only Look Once”的缩写，即一种将图像划分为网格系统的对象检测算法。而YOLOv5则是该系列的最新产物。YOLOv5项目官方开源出YOLOv5s、YOLOv5m 、YOLOv5l 以及 YOLOv5x 四个网络模型。YOLOv5主要由四大部分组成输入端（Input）、主干网络（Backbone）、颈部网络(Neck)、预测部分（Prediction）^[1]。第一部分输入端包含了Mosaic数据增强和自适应锚框计算^[2]；第二部分主干网络包含Focus切片结构，CSP结构，其中CSP结构减少了特征在传输过程中出现的信息丢失情况；在颈部网络采用了PANet结构，提高了对小目标检测的精度；第四部分预测部份包含损失函数，预测边框和非极大值抑制^[3]。其中损失函数由三部分组成，分别为GIOU损失函数、目标置信度损失函数和分类损失函数,GIoU损失函数的公式如下：

（1）

其中A,B为样本图片中的任意两个边框，C为一个最小封闭形状且其能够将A，B包含在内，接着计算C中没有覆盖A和B的面积占C总面积的比值，然后用A与B的IoU值减去这个比值，得到GIoU，GIoU是一种距离函数^[4]。

YOLOv5s是YOLOv5中深度最小的，特征量最少的网络模型，其网格结构如图1所示。

图1 YOLOv5s的网络结构图

2. 系统的硬件设计

2.1主控芯片

本系统采用树莓派4B作为计算处理平台，其采用博通BCM2711芯片作为主控，该处理器工作频率高达1.5GHz,大大提高了嵌入式开发中对于复杂计算的处理速度。内存为LPDDR4协议，并提供了4GB的容量配置，扩展接口为40针GPIO端口，同时支持双频802.11ac无线连接和最新的蓝牙5.0通信技术。树莓派相当于一个微型的便携计算机^[5]，本系统的开发平台为树莓派官方的基于Linux的Raspberry Pi OS操作系统，相比较STM32和OpenMV，树莓派在神经网络的开发领域拥有更加突出的优势，尤其在目标检测领域。

2.2信息采集模块

(1)图像采集终端采用免驱720p摄像头。摄像头使用USB接口具有良好的兼容性，在Thonny Python IDE中可以方便地切换不同的输入源。在树莓派中可以以30FPS大小的帧率来识别和获取样本图片，能够流畅地实现对火焰特征的检测。

(2)采用烟雾检测模块MQ-2进行火焰预警。烟雾传感器在内外电离室里面电离产生的正、负离子并且在电场的作用下各自向正负电极移动。在正常的状态下,电流电压保持稳定,一旦有烟雾产生，便会干扰离子的正常移动，破坏稳定状态，改变后的电压通过AD转换由A0口输出。当超过阈值时作为火焰预警的条件之一。MQ-2拥有探测范围广泛，灵敏度高、响应恢复性快、寿命长等优点。

(3)采用远红外火焰传感器进行火焰检测，燃烧物主要由高温固体微粒组成，能够产生热辐射。火焰的热辐射具有离散光谱的气体辐射和连续光谱的固体辐射。不同燃烧物的火焰辐射强度、波长分布有所差异，但总体来说，其对应火焰温度的近红外波长域及紫外光域具有很大的辐射强度,根据这种特性可制成火焰传感器。远红外火焰传感器能够探测到波长在700纳米～1000纳米范围内的红外光^[6]，具有对光谱灵敏度高，电路简单，寿命长等优点。

2.3 显示模块

采用树莓派适配的LCD显示器模块，可以实时显示USB摄像头采集到的画面和通过YOLOv5筛选出的目标特征画面。LCD显示模块具有可触摸操作、视角范围大；高清1024*600分辨率，成像稳定；亮度高、色彩丰富等特点，并且驱动电压低、能耗低，相较于OLED更适合于该项目。

2.6 局域网通信及预警

由于树莓派系统内置双频802.11ac无线连接，所以可以通过该局域网下任意显示器进行树莓派实时显示和调试。通过开启树莓派内置的VNC，即可通过另一主机通过VNC sever软件进行远程的桌面访问，在此过程中需要输入主控的IP地址和密码，在提高调试系统的便携性的同时也提高了系统的安全性。当发生疑似火情出现的情况时，蜂鸣器发生报警，安保人员可以根据火场的实施情况迅速做出反应，通过灭火无人机等消防设施进行人员疏散和现场灭火。

2. 系统程序的结构设计

该设备通过分布式的摄像装置，可同时对多角度和不同地点的区域进行实时检测。由主控制器对单个或多个画面进行实时采集，通过事先机器学习的YOLO权重模型对视频进行逐帧检测，从而得到目标检测置信度结果，当超过设置的置信度阈值，认定为火情发生的第一个判断条件。同时将在单位时间及其邻域内传感器采集到烟雾浓度、火焰光色谱、现场温度等信息进行数据拟合，作为认定为火情发生的第二个判断条件。最后由主控制器根据两种判定结果发出警报信号。同时可建立局域网，在预防场所的一定空间内布置小型携带灭火弹的无人机，立刻前往起火点，成为防火的第一道防线。避免造成火情发生时人员的伤亡以及减少经济上的损失。基于YOLO模型改进的火焰检测模型图和总体结构图如下:

图2 YOLO模型改进的火焰检测模型

图3 总体结构框图

2. 系统模型的训练与调试

在实际的模型训练中，我们通过网络分别获取了各100张的火灾图片样本。通过labelimg工具进行特征标注。然后开始训练模型生成pt数据集文件，其中训练batch图如下：

图4 火焰样本训练batch图

2. 总结与展望

本文设计了一种火焰检测与预警的系统，通过高性能的嵌入式开发平台——树莓派，来实时对范围区域内的突发火焰情况进行预警，相比传统的单一结构的传感器预警，本系统采用多条件综合特征检测的特点提高了对火焰检测的稳定性，快速性和准确性。而且通过Opencv-YOLOv5的目标特征检测可以根据不同区域进行特定数据集的训练，提高了设备的可靠性。从而实现灾情防控的初衷。

将摄像头和传感器与神经网络相结合，建立火焰智能识别系统。可以大幅应用于原本布局有传统摄像头的区域，比如储物仓库，工厂重地，公共场所等等。随着更多设备的加入，可以在云端进行统一数据集训练，从而形成更加准确的模型，未来的应用前景可观，对人类火灾防控拥有重要意义。

参考文献

[1]张锦,屈佩琪,孙程,罗蒙. 基于改进YOLOv5的安全帽佩戴检测方法[J]. 计算机应用,2021(10):1-11.

[2]许德刚,王露,李凡.深度学习的典型目标检测算法研究综述[J].计算机工程与应用,2021,57(08):10-25.

[3]李男,叶晓东,王昊,黄鑫宇,陶诗飞. 基于改进YOLOv5的复杂场景下SAR图像船舶检测方法[J].信号处理,2021(10):1-16.

[4]H Rezatofighi, Tsoi N , JY Gwak, et al. Generalized Intersection Over Union: A Metric and a Loss for Bounding Box Regression[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2019.

[5]徐文龙,张乾雷. 基于深度学习与树莓派的火灾识别系统[J]. 信息技术与信息化,2021,(08):232-234.

[6]栾广宇,杨旭峰,苑志宇,申楚仪,杨志宇.一种灭火避障小车设计[J].科学技术创新,2020(07):177-178.