亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于YOLOv5的油田作業(yè)現(xiàn)場(chǎng)吸煙檢測(cè)方法

        2021-12-18 06:49:40孫召龍朱云龍
        系統(tǒng)仿真技術(shù) 2021年2期
        關(guān)鍵詞:特征作業(yè)結(jié)構(gòu)

        孫召龍,徐 昕,朱云龍,田 楓

        (1.中國(guó)石油化工股份有限公司勝利油田分公司現(xiàn)河采油廠,山東東營(yíng) 257000;2.東北石油大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院,黑龍江大慶 163318;3.慶新油田開(kāi)發(fā)有限責(zé)任公司,黑龍江大慶 163000)

        吸煙行為是油田作業(yè)現(xiàn)場(chǎng)十大禁令之一,若不加以控制會(huì)增加引發(fā)火災(zāi)的可能,從而造成重大財(cái)產(chǎn)損失和人員傷亡的事故發(fā)生。目前油田作業(yè)現(xiàn)場(chǎng)大多是通過(guò)煙霧探測(cè)器和人工監(jiān)控方式對(duì)吸煙行為進(jìn)行管控,但煙霧傳感器受空間限制,在戶外場(chǎng)景下即空間很大時(shí),煙霧傳感器檢測(cè)的準(zhǔn)確率會(huì)降低,而人工監(jiān)控方式在浪費(fèi)人力的同時(shí)又無(wú)法實(shí)現(xiàn)檢測(cè)的實(shí)時(shí)性。因此,在油田作業(yè)現(xiàn)場(chǎng)精準(zhǔn)又實(shí)時(shí)地檢測(cè)吸煙行為是一個(gè)急需解決的難題。

        常見(jiàn)的吸煙報(bào)警系統(tǒng)主要是基于煙霧伴隨性對(duì)空間內(nèi)煙霧濃度進(jìn)行閾值判定的傳統(tǒng)吸煙檢測(cè)技術(shù),雖然煙霧傳感器靈敏度較高,但在空曠通風(fēng)的戶外場(chǎng)景下對(duì)吸煙行為識(shí)別效果并不理想。隨著圖像處理和模式識(shí)別技術(shù)的發(fā)展[1-3],吸煙檢測(cè)技術(shù)形成兩大分支,即基于傳統(tǒng)算法及基于深度學(xué)習(xí)的檢測(cè)。傳統(tǒng)的吸煙檢測(cè)方法多基于煙霧的顏色特征來(lái)進(jìn)行吸煙或火災(zāi)預(yù)警。Qin Luxing[4]等通過(guò)提取顏色矩、HOG和LBP空間下的煙霧特征來(lái)進(jìn)行森林火災(zāi)預(yù)警。基于深度學(xué)習(xí)的吸煙檢測(cè)可分為基于候選窗口和基于回歸兩類,張日東[5]等將Haar-Adaboost車窗檢測(cè)算法和基于HSV空間的混合高斯煙霧檢測(cè)算法相結(jié)合,對(duì)出租汽車司機(jī)的吸煙行為進(jìn)行檢測(cè)。馬曉菲[6]等通過(guò)改進(jìn)的MTCNN人臉檢測(cè)算法確定嘴部區(qū)域定位,再經(jīng)過(guò)MobileNet-v1遷移學(xué)習(xí)的分類算法,構(gòu)建基于人臉?lè)治龅奈鼰熜袨闄z測(cè)算法模型。Faster-RCNN是基于候選框多階段檢測(cè)的主流框架。李倩[7]等以Faster-RCNN作為骨干網(wǎng)絡(luò)并和FPN特征金字塔相結(jié)合進(jìn)行吸煙行為檢測(cè)。該方法有效降低了漏檢率,但同樣缺乏實(shí)時(shí)性檢測(cè)。為此,有學(xué)者提出YOLO[8],SSD,YOLOv2,YOLO9000[9]等基于回歸的目標(biāo)檢測(cè)框架。YOLO系列框架通過(guò)網(wǎng)絡(luò)以端到端的形式一步完成目標(biāo)檢測(cè)任務(wù)。王夢(mèng)依[10]等對(duì)YOLOv3目標(biāo)檢測(cè)框架進(jìn)行了結(jié)構(gòu)改進(jìn)和參數(shù)尋優(yōu),構(gòu)建吸煙檢測(cè)系統(tǒng)。YOLOv5是目前YOLO家族最新的框架,有學(xué)者基于此模型用于口罩佩戴識(shí)別[11-13]。當(dāng)前,在油田作業(yè)現(xiàn)場(chǎng)的場(chǎng)景下對(duì)吸煙行為精準(zhǔn)并實(shí)時(shí)檢測(cè)仍是一個(gè)亟需解決的難點(diǎn)。

        1 YOLOv5算法原理

        2020年5月,Ultralytics LCC公司提出由PyTorch編寫(xiě)的YOLOv5模型,該模型集成了YOLOv3中的FPN多尺度檢測(cè)及YOLOv4中的Mosaic數(shù)據(jù)增強(qiáng)和SPP結(jié)構(gòu),其結(jié)構(gòu)如圖1所示。YOLOv5模型大小可調(diào)節(jié),共有四種網(wǎng)絡(luò)結(jié)構(gòu)即YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。四種網(wǎng)絡(luò)結(jié)構(gòu)的區(qū)別在于Backbone及Neck部分的CSP結(jié)構(gòu)寬度和深度不同,即卷積的次數(shù)和殘差塊的數(shù)目不一樣。同時(shí)YOLOv5模型的體積很小,最小模型YOLOv5s的權(quán)重?cái)?shù)據(jù)文件大小為27MB,是YOLOv4權(quán)重?cái)?shù)據(jù)的九分之一[14-15]。除此之外,其推理速度達(dá)每秒140fps,滿足監(jiān)控視頻實(shí)時(shí)性檢測(cè)的需求。

        圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure diagram of YOLOv5

        1.1 Backbone

        Backbone部分的核心是CSP結(jié)構(gòu)。CSP結(jié)構(gòu)是YOLOv5四個(gè)模型的區(qū)別所在,即卷積操作和殘差值處理次數(shù)不同,所以對(duì)于不同數(shù)據(jù)集的訓(xùn)練表現(xiàn)也有所不同。在YOLOv5模型中Backbone和Neck部分都存在CSP結(jié)構(gòu),而在YOLOv4模型中只有Backbone部分融合了CSP結(jié)構(gòu)。對(duì)于CSP這種跨階段特征信息傳遞策略所接觸的階段越長(zhǎng)越有利于模型的訓(xùn)練,這也是YOLOv5在YOLOv4基礎(chǔ)上的改進(jìn)之處。CSP模塊首先將基礎(chǔ)層的特征映射劃分為兩部分,在劃分的同時(shí)做特征信息的備份,然后通過(guò)跨階段層次結(jié)構(gòu)將其合并。這樣避免在信息傳遞的過(guò)程中丟失底層特征信息,并且有效地減少信息集成過(guò)程中特征重復(fù)的可能。另外由于跨階段使用拆分和合并操作,使得該策略能夠顯著降低計(jì)算成本,從而在保證準(zhǔn)確率的同時(shí)實(shí)現(xiàn)模型輕量化。

        1.2 Neck

        Neck部分中采用了FPN+PAN的結(jié)構(gòu)。FPN結(jié)構(gòu)采用自上而下的方式處理圖片特征,對(duì)高層的特征信息通過(guò)上采樣操作進(jìn)行傳遞與融合,獲得預(yù)測(cè)的特征圖。PAN采用自下向上的特征金字塔思想,將FPN每層所獲得的特征預(yù)測(cè)圖向上再做一次特征提取與融合,具體結(jié)構(gòu)如圖2所示。該結(jié)構(gòu)融合了當(dāng)前尺度和以前尺度的特征,能夠?qū)崿F(xiàn)從不同的主干層對(duì)不同的檢測(cè)層進(jìn)行特征的參數(shù)聚合,得到預(yù)測(cè)的特征圖。該模塊在一定程度上可以提升小尺寸目標(biāo)的檢測(cè)性能,提高網(wǎng)絡(luò)的魯棒性,增強(qiáng)訓(xùn)練過(guò)程。

        圖2 FPN+PAN結(jié)構(gòu)Fig.2 Structure of FPN and PAN

        2 實(shí)驗(yàn)結(jié)果和分析

        2.1 配 置

        本次實(shí)驗(yàn)在Intel Core i7 6700處理器,主頻為4 GHz,內(nèi)存為32 GiB,顯卡型號(hào)為GeForce RTX 3080 Ti的PC機(jī)上進(jìn)行,在Ubantu18.04環(huán)境下利用深度學(xué)習(xí)框架Pytorch對(duì)YOLOv5模型進(jìn)行訓(xùn)練與測(cè)試。訓(xùn)練模型的參數(shù)設(shè)置如表1所示,模型的訓(xùn)練次數(shù)Epochs設(shè)為300;批次大小Batch size是指訓(xùn)練時(shí)一次性輸入網(wǎng)絡(luò)的圖片數(shù)目,與顯卡的顯存大小有關(guān),將其設(shè)為8;由于提高輸入分辨率在一定程度上會(huì)提高小目標(biāo)檢測(cè)精度,所以輸入分辨率img-size在原始值為640的基礎(chǔ)上增加64,調(diào)至為704;置信度閾值conf_thres和IoU閾值Iou_thres用于非極大值抑制迭代篩選的處理過(guò)程,分別設(shè)為0.001和0.65。

        表1 YOLOv5訓(xùn)練參數(shù)設(shè)置Tab.1 Training parameter setting of YOLOv5

        2.2 數(shù)據(jù)集采集及制作

        由于通過(guò)Python爬蟲(chóng)代碼爬取的谷歌和百度圖片大多屬于特寫(xiě)圖片,并不滿足油田作業(yè)現(xiàn)場(chǎng)戶外下中距離的吸煙檢測(cè)需求。所以本文自行創(chuàng)建吸煙數(shù)據(jù)集,采用兩種方式進(jìn)行采集,總共采集4196張圖片。第一種采集方式是通過(guò)放大室外監(jiān)控?cái)z像頭截取的吸煙圖片,另一種采集方式是先自行錄制不同場(chǎng)景下的吸煙視頻,再按照一定的幀數(shù)間隔截取視頻中的圖片。數(shù)據(jù)集采集完成后是數(shù)據(jù)集的標(biāo)注部分,使用LabelImg標(biāo)注工具,用矩形框選定手拿煙和嘴叼煙區(qū)域。標(biāo)注后生成的是遵循PASCAL VOC格式的XML文件,并將中心點(diǎn)的坐標(biāo)即標(biāo)注框的寬和高以偏移量的方式存儲(chǔ)到TXT文件中,使得訓(xùn)練時(shí)可以忽略不同圖像的尺寸,提高小目標(biāo)檢測(cè)精度。

        2.3 結(jié)果與分析

        2.3.1 模型性能對(duì)比

        YOLOv5共有四種預(yù)訓(xùn)練模型,每種網(wǎng)絡(luò)的深度和寬度不同,所以在不同數(shù)據(jù)集上表現(xiàn)會(huì)有所不同。為獲取更適用于油田作業(yè)現(xiàn)場(chǎng)中距離的吸煙數(shù)據(jù)集所對(duì)應(yīng)的權(quán)重?cái)?shù)據(jù),分別用YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x四種網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并用300張測(cè)試集對(duì)四種模型進(jìn)行性能對(duì)比,通過(guò)計(jì)算四種模型在測(cè)試集上的精確率均值(mAP)及召回率來(lái)評(píng)價(jià)模型的性能。精確率P又稱查準(zhǔn)率,如公式(1)所示;召回率R又稱查全率,如公式(2)所示。

        公式(1)和公式(2)中,TP表示將正類別預(yù)測(cè)為正確類別的個(gè)數(shù);FP表示將負(fù)類別預(yù)測(cè)為正確類別的個(gè)數(shù);FN表示將正類別預(yù)測(cè)為負(fù)類別的個(gè)數(shù)。YOLOv5四種預(yù)訓(xùn)練模型測(cè)試的結(jié)果如表2所示。

        由表2可知,YOLOv5s模型用時(shí)最短、檢測(cè)速度最快,每秒能夠檢測(cè)16幅圖片。YOLOv5m模型的召回率及mAP值最高,其中召回率比YOLOv5l模型高出3.07個(gè)百分點(diǎn),達(dá)到了89%,且YOLOv5m模型的精準(zhǔn)率相對(duì)于YOLOv5s模型、YOLOv5l模型和YOLOv5x模型分別高出1.22、0.27和1.03個(gè)百分點(diǎn)。四個(gè)模型對(duì)吸煙行為檢測(cè)樣例如圖3所示。

        表2 不同模型性能對(duì)比Tab.2 Performance comparison of different models

        從圖3的檢測(cè)對(duì)比可以看出,該模型對(duì)戶外場(chǎng)景下中距離的小目標(biāo)檢測(cè)效果明顯,方框?yàn)闄z測(cè)算法輸出的邊界框,目標(biāo)框上的數(shù)值表示預(yù)測(cè)精確率。從算法測(cè)試結(jié)果可以看出,YOLOv5m的預(yù)測(cè)精確率較高為0.78,優(yōu)于其他三種檢測(cè)模型。

        2.3.2 YOLOv5m模型最優(yōu)性能

        綜合上述不同模型的測(cè)試性能及測(cè)試效果,本文選用由YOLOv5m模型訓(xùn)練得到的最佳權(quán)重?cái)?shù)據(jù)。圖4描繪了YOLOv5m模型訓(xùn)練時(shí)的精確率和訓(xùn)練損失隨迭代次數(shù)的變化值。當(dāng)訓(xùn)練次數(shù)Epochs的值較小時(shí),精確率從0開(kāi)始快速上升,訓(xùn)練損失值由0.8開(kāi)始迅速下降,標(biāo)志著網(wǎng)絡(luò)模型開(kāi)始對(duì)圖片特征進(jìn)行學(xué)習(xí)。隨著訓(xùn)練次數(shù)的增加,精確率曲線上升的速度逐漸變慢,以振蕩的形式繼續(xù)上升,訓(xùn)練損失曲線逐漸平穩(wěn)到一個(gè)穩(wěn)定值。當(dāng)訓(xùn)練次數(shù)Epochs為200附近時(shí),精確率曲線趨于穩(wěn)定,波動(dòng)減少。當(dāng)訓(xùn)練次數(shù)Epochs為250時(shí),精確率曲線趨向?yàn)?.926的穩(wěn)定值,訓(xùn)練損失曲線趨向?yàn)?.012的穩(wěn)定值。由此可知YOLOv5m模型訓(xùn)練過(guò)程穩(wěn)定,性能優(yōu)良。

        圖4 YOLOv5m實(shí)驗(yàn)損失和精度值Fig.4 Loss and accuracy of YOLOv5m network

        3 結(jié) 語(yǔ)

        本文首先進(jìn)行數(shù)據(jù)采集與預(yù)處理,得到更符合油田作業(yè)現(xiàn)場(chǎng)的吸煙數(shù)據(jù)集,通過(guò)對(duì)比YOLOv5四種預(yù)訓(xùn)練模型所得的性能結(jié)果和檢測(cè)效果,得到最優(yōu)權(quán)重?cái)?shù)據(jù)。實(shí)驗(yàn)結(jié)果表明,該方法可以快速、精準(zhǔn)地識(shí)別出吸煙行為,為油田作業(yè)現(xiàn)場(chǎng)的安全性提供了一定的保障。

        猜你喜歡
        特征作業(yè)結(jié)構(gòu)
        《形而上學(xué)》△卷的結(jié)構(gòu)和位置
        快來(lái)寫(xiě)作業(yè)
        如何表達(dá)“特征”
        論結(jié)構(gòu)
        不忠誠(chéng)的四個(gè)特征
        抓住特征巧觀察
        論《日出》的結(jié)構(gòu)
        作業(yè)
        故事大王(2016年7期)2016-09-22 17:30:08
        創(chuàng)新治理結(jié)構(gòu)促進(jìn)中小企業(yè)持續(xù)成長(zhǎng)
        線性代數(shù)的應(yīng)用特征
        河南科技(2014年23期)2014-02-27 14:19:15
        亚洲日韩精品无码专区网站| 美女啪啪国产| 92精品国产自产在线观看48页| 久久夜色精品国产噜噜噜亚洲av| 麻豆国产精品伦理视频| 人妻无码第一区二区三区| 亚洲精品无码久久久久久| 婷婷五月综合缴情在线视频| 免费观看国产精品| 亚洲精品成人av一区二区| 国产一区二区在三区在线观看| 桃红色精品国产亚洲av| 日日躁夜夜躁狠狠躁| 女女女女bbbbbb毛片在线| 不卡a v无码在线| 人妻蜜桃日产一本久道综合在线| 午夜精品久久久久久久无码| 欧美性受xxxx白人性爽| 操出白浆在线观看| 熟女人妻一区二区中文字幕 | 伊人久久大香线蕉av不变影院| 国产精品老熟女露脸视频| 日本在线观看不卡| 久久精品国产亚洲av高清蜜臀| 国产av剧情刺激对白| 国产精品第一国产精品| 国产极品美女高潮抽搐免费网站| 加勒比精品一区二区三区| 久久一区二区三区少妇人妻| 无码va在线观看| 久久免费区一区二区三波多野在| 日本伦理视频一区二区| 久久精品国产字幕高潮| 国产98在线 | 日韩| 国产乱人伦偷精品视频免| 日韩av天堂综合网久久| 无码gogo大胆啪啪艺术| 亚洲av日韩精品久久久久久 | 亚洲av免费高清不卡| 日本a级片免费网站观看| 精品久久久中文字幕人妻|