劉紅燕 李 謹(jǐn) 唐 振 賴 哲

（珠海供電局，廣東 珠海 519000）

0 前言

在很長一段時(shí)間內(nèi)，對煙火進(jìn)行識別所采用設(shè)備均為傳感器，強(qiáng)調(diào)通過傳感器對火焰燃燒給溫度、顆粒物密度產(chǎn)生的影響進(jìn)行檢測，根據(jù)參數(shù)變化情況得出最終結(jié)論。但傳統(tǒng)方法在成本、智能程度還有覆蓋面積等方面的表現(xiàn)均無法滿足當(dāng)今社會(huì)要求，基于此，研究人員提出引入深度學(xué)習(xí)法，依托YOLOv3將目標(biāo)檢測相關(guān)問題向回歸問題進(jìn)行轉(zhuǎn)化，在改進(jìn)損失函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，對邊界框所具有可靠性進(jìn)行預(yù)測的方式，使物體識別精度最大程度接近理想水平。研究成果可為研發(fā)巡檢機(jī)器人、全新安防設(shè)備等工作助力，隨著火情防控力度得到提高，搶險(xiǎn)能力自然可得到保證。

1 研究背景

以往對圖像進(jìn)行識別的算法，均要人工篩選并對特征進(jìn)行提取，只有在確定圖像特征后，才能對其進(jìn)行識別。常見提取識別方法包括以下幾種：其一，先通過區(qū)域分割的方式，提取各亮點(diǎn)區(qū)及疑似區(qū)域?qū)?yīng)邊界鏈碼，再對各區(qū)域?qū)?yīng)圓形度進(jìn)行計(jì)算，借助BP神經(jīng)網(wǎng)絡(luò)展開檢測并得出最終結(jié)論。其二，對火焰候選區(qū)域所表現(xiàn)出空間、時(shí)間特征進(jìn)行提取，利用改進(jìn)所得紋理描述法對地形特征進(jìn)行統(tǒng)計(jì)，借助BP神經(jīng)網(wǎng)絡(luò)完成識別工作。其三，由高斯分塊模型負(fù)責(zé)劃分動(dòng)態(tài)區(qū)域，由統(tǒng)計(jì)顏色概率的模型負(fù)責(zé)對各區(qū)域所表現(xiàn)出顏色特征進(jìn)行提取，同時(shí)對疑似區(qū)域進(jìn)行分割，根據(jù)各區(qū)域圓形度對其內(nèi)部是否有火焰、火災(zāi)存在進(jìn)行判斷。

上述方法均要提前完成處理和分割圖像的操作，從而確保所得到煙霧、火焰特征具有實(shí)際意義，但相關(guān)算法均無法被用來對低紋理、中紋理圖像特征進(jìn)行準(zhǔn)確提取，極易出現(xiàn)漏檢或是誤檢的情況。將深度學(xué)習(xí)用于圖像識別，可確保所得到算法具有自我學(xué)習(xí)的能力，對復(fù)雜圖像特征進(jìn)行提取的速度也會(huì)得到顯著提升，與手工篩選相比，由智能算法對特征進(jìn)行提取，通常更利于事物本質(zhì)的表達(dá)。有學(xué)者選擇利用傳統(tǒng)算法，深度學(xué)習(xí)算法，Dense-SIFT算法，分別對高大空間內(nèi)部煙火進(jìn)行檢測，對檢測結(jié)果進(jìn)行分析可知，在隱層數(shù)量固定的前提下，深度學(xué)習(xí)算法所取得效果較其他算法更為理想。另外，相關(guān)研究還對ResNet、AlexNet和VGG等模型進(jìn)行了運(yùn)用，根據(jù)識別早期煙霧及火焰的結(jié)果可知，全新模型在識別精度方面均較傳統(tǒng)模型更為理想，現(xiàn)階段，國內(nèi)外學(xué)者均將目光聚焦于煙火目標(biāo)檢測，力求能夠獲得與以往不同的全新算法，為防控火情等工作的開展助力。

2 算法理論概述

2.1 檢測過程分析

YOLOv3由預(yù)測層、特征提取網(wǎng)絡(luò)構(gòu)成，其中，預(yù)測層的數(shù)量為3個(gè)，可被用來對物體類別、所處位置進(jìn)行直接預(yù)測。YOLOv3的創(chuàng)新之處在于以融合多尺度特征為前提，得出最終預(yù)測結(jié)論，可使顆粒度特征得到最大程度保留，即使檢測對象存在被遮擋或大小不同的情況，同樣可保證檢測結(jié)果具備理想精度。而利用Residual對特征提取網(wǎng)絡(luò)進(jìn)行處理的目的，主要是對參數(shù)量、模型復(fù)雜程度加以控制，此舉一方面能夠增強(qiáng)收斂效果，另一方面可使深層網(wǎng)絡(luò)較易出現(xiàn)梯度消失情況的問題得到解決。全卷積網(wǎng)絡(luò)所包括卷積層的數(shù)量為53個(gè)，將LeakyRelu作為激活函數(shù)，利用Residual對各卷積層進(jìn)行有效連接，確保初始數(shù)據(jù)能夠跳過指定層而到達(dá)網(wǎng)絡(luò)層，在保證預(yù)測精度的前提下，縮短預(yù)測時(shí)長。

2.2 增強(qiáng)采集數(shù)據(jù)

目標(biāo)檢測對象以檢測目標(biāo)存在顯著差異或較為復(fù)雜的場景為主，對相關(guān)數(shù)據(jù)進(jìn)行采集時(shí)，研究人員應(yīng)該重視以下內(nèi)容：一是目標(biāo)場景。對煙火進(jìn)行檢測的環(huán)境往往較為復(fù)雜，通常存在建筑遮擋或光照差異大的情況，要想使模型盡快適應(yīng)不同場景并完成預(yù)測工作，關(guān)鍵是要對采集數(shù)據(jù)的環(huán)節(jié)進(jìn)行優(yōu)化，增加數(shù)據(jù)集所存儲(chǔ)數(shù)據(jù)的數(shù)量及復(fù)雜程度。二是目標(biāo)多樣性。即使檢測目標(biāo)固定，在不同角度對其進(jìn)行拍攝所得圖片往往也會(huì)存在一定差異，鑒于此，在實(shí)地采集數(shù)據(jù)的環(huán)節(jié)，研究人員應(yīng)考慮不同視角，確保設(shè)計(jì)所得模型能夠從不同角度對檢測目標(biāo)進(jìn)行判斷，并得出準(zhǔn)確結(jié)果。

以圖1為例，研究人員借助數(shù)據(jù)增強(qiáng)算法，分別對圖片進(jìn)行了剪切、調(diào)節(jié)色域、變換角度以及縮放處理，對處理所得圖片進(jìn)行合并的方式，使檢測物體背景得到豐富。雖然物體形態(tài)、背景亮度存在細(xì)微差異，但其本質(zhì)仍然為煙霧、火焰。

圖1 對圖片數(shù)據(jù)進(jìn)行增強(qiáng)的效果對比

3 建立相關(guān)模型

3.1 高斯建模

傳統(tǒng)檢測器無法杜絕誤定位的情況發(fā)生，而改用高斯建?？捎行Ы鉀Q該問題，高斯建模所預(yù)測對象以邊界框置信度為主，對邊界框相關(guān)信息進(jìn)行獲取的方式，為算法所具有精度提供保證。該模型的特點(diǎn)是利用正態(tài)分布曲線，對事物進(jìn)行精確量化。為保證所建立模型可發(fā)揮應(yīng)有作用，有關(guān)人員應(yīng)重視以下內(nèi)容：灰度直方圖所反映信息以圖像出現(xiàn)特定灰度值的頻次、概率密度為主，若圖像背景區(qū)域與目標(biāo)區(qū)域存在較大差異，對應(yīng)灰度直方圖往往會(huì)呈現(xiàn)出雙峰谷的形狀，雙峰分別對應(yīng)目標(biāo)和中心灰度。一般來說，只需將多峰特性視為高斯分布疊加，就可以使圖像分割問題迎刃而解。該文所研究算法利用t，t，t，t對邊界框坐標(biāo)進(jìn)行表達(dá)，研究人員可利用高斯分布函數(shù)對以上數(shù)據(jù)進(jìn)行建模，從而判斷邊界框是否具備良好可靠性。若將測試輸入設(shè)定為，高斯模型設(shè)定為，則可利用公式（1）對高斯參數(shù)進(jìn)行表示。

式中：為高斯參數(shù)；為高斯函數(shù)對應(yīng)數(shù)據(jù)具體數(shù)量。()為的平均值。∑()代表的方差。

為準(zhǔn)確判斷邊界框定位是否可靠，該模型將對特征圖所包含邊界框坐標(biāo)的平均值及方差進(jìn)行預(yù)測。研究人員以該算法檢測層所表現(xiàn)出結(jié)構(gòu)特點(diǎn)為依據(jù)，提出利用以下方法對高斯參數(shù)加以處理，如公式（2）所示。式中：t、t、t、t分別為各坐標(biāo)分量對應(yīng)高斯分布的平均數(shù)值，即預(yù)測坐標(biāo)分量。∑、∑、∑、∑分別為坐標(biāo)分量對應(yīng)高斯方差，通常被用來衡量坐標(biāo)分量定位所具有不確定性。

3.2 改進(jìn)函數(shù)

考慮到本次高斯建模的主體為邊界框坐標(biāo)，通常只需對相關(guān)損失函數(shù)進(jìn)行重設(shè)即可，類別損失函數(shù)、目標(biāo)損失函數(shù)均不需要加以調(diào)整。基于邊界框相關(guān)數(shù)值對損失函數(shù)進(jìn)行重設(shè)所得結(jié)果如公式（3）所示。

在該函數(shù)表達(dá)式中，L代表坐標(biāo)分量對應(yīng)損失函數(shù)（坐標(biāo)分量用t代表）。對其他損失函數(shù)進(jìn)行計(jì)算的方法，可沿用L所用算法。代表圖片橫向網(wǎng)格數(shù)（寬度）。代表圖片縱向網(wǎng)格數(shù)（高度）。代表錨框數(shù)量。為損失函數(shù)具體數(shù)量。μt（x）代表算法檢測層所輸出數(shù)值，即在網(wǎng)格（，）中錨框?qū)?yīng)t坐標(biāo)?！?span id="lv53xvh" class="emphasis_italic">t（x）同樣代表檢測層所輸出數(shù)值，其所描述對象為坐標(biāo)t所具有不確定性。x ijk代表坐標(biāo)分量對應(yīng)標(biāo)簽值。

式中：代表尺度權(quán)重，通常以訓(xùn)練過程中物體的尺寸進(jìn)行分配。δ 為網(wǎng)格(，)中錨框與相關(guān)標(biāo)簽值的交集，若該交集可達(dá)到最大值，則可將δ 參數(shù)設(shè)定為1，若交集未達(dá)到最大值，通常將該參數(shù)設(shè)定為0。的取值是10。

在確定以上參數(shù)值后，研究人員便可根據(jù)類別分?jǐn)?shù)、邊界框所具有不確定性、目標(biāo)分?jǐn)?shù)完成檢測任務(wù)，本次試驗(yàn)所采用檢測標(biāo)準(zhǔn)如公式（6）所示。

C=（）×（Class）×（1-Uncertainy） （6）式中:C代表監(jiān)測標(biāo)準(zhǔn)。()代表目標(biāo)分?jǐn)?shù)。(Class)代表物體對應(yīng)分?jǐn)?shù)。Uncertainy代表邊界框所具有不確定性的平均數(shù)值，其取值范圍為0~1，若類別分?jǐn)?shù)、目標(biāo)分?jǐn)?shù)確定，邊界框可靠性將與不確定性成反比，即：邊界框可靠性可隨著不確定性的降低而提高。

研究表明，傳統(tǒng)檢測器無法徹底杜絕誤定位（即假陽例）情況出現(xiàn)?；馂?zāi)往往具有極易被場景所干擾、類型相對復(fù)雜等特點(diǎn)，對其進(jìn)行檢測時(shí)，出現(xiàn)誤定位的概率較大，對自動(dòng)滅火平臺(tái)來說，一旦有誤定位情況存在，極易使自身出現(xiàn)闖入火災(zāi)、意外制動(dòng)或其他過度反應(yīng)，甚至造成碰撞、錯(cuò)誤報(bào)警乃至爆炸的嚴(yán)重后果。鑒于此，利用高斯函數(shù)對損失函數(shù)進(jìn)行設(shè)計(jì)，獲得相應(yīng)的邊界框模型極為重要，這是因?yàn)楦咚菇？杀挥脕韺吔缈蛩哂锌煽啃赃M(jìn)行預(yù)測，并根據(jù)置信度函數(shù)對其損失進(jìn)行計(jì)算，定位精度自然可得到顯著提高。對該模型加以應(yīng)用，不僅能夠降低誤定位的概率，還可以避免自動(dòng)滅火平臺(tái)陷入危險(xiǎn)，最大化地實(shí)現(xiàn)其價(jià)值。

3.3 改進(jìn)網(wǎng)絡(luò)

該試驗(yàn)所用SE-Net可被拆分成Excitation及Squeeze，其作用主要是增強(qiáng)模型敏感度，提高模型識別channel精度，同時(shí)對特征通道所存在依賴關(guān)系進(jìn)行構(gòu)建。Excitation的作用主體為全局特征，具體來說，就是利用全連接層對參數(shù)量、學(xué)習(xí)難度加以控制，確保所得到channel權(quán)重與實(shí)際情況相符。而Squeeze的核心功能是對特征圖進(jìn)行轉(zhuǎn)換，從而獲得具有全局感受野的數(shù)值。正是因?yàn)樘卣魈崛【W(wǎng)絡(luò)的加入，才使該文所設(shè)計(jì)算法能夠通過預(yù)測得出準(zhǔn)確結(jié)果。考慮到Residual層主要負(fù)責(zé)對各層特征進(jìn)行融合，研究人員最終決定以Residual層為載體，在嵌入SE-Net的基礎(chǔ)上，根據(jù)全局池化平均值對特征圖進(jìn)行輸出的通道數(shù)量進(jìn)行設(shè)定，確保所獲得子結(jié)構(gòu)擴(kuò)大特征圖感知范圍。

另外，由于需要對圖片局部信息與特征進(jìn)行快速獲取，研究人員還在網(wǎng)絡(luò)結(jié)構(gòu)中新增了SPP塊。SPP塊可被拆分成4個(gè)分支，具體包括Residual層1個(gè)、最大池化層3個(gè)，各分支的位置關(guān)系為并行。事實(shí)證明，對網(wǎng)絡(luò)模型進(jìn)行上述調(diào)整，可增強(qiáng)其對局部特征進(jìn)行獲取的能力，同時(shí)可以增強(qiáng)特征圖感受，能夠準(zhǔn)確判別火焰所存在微小差別，樣本所存在檢測目標(biāo)差異大、類別不均等問題迎刃而解，該模型對特征進(jìn)行表達(dá)的效果也將更接近研究預(yù)期。

4 試驗(yàn)結(jié)果討論

4.1 煙火數(shù)據(jù)集

獲取試驗(yàn)數(shù)據(jù)集的途徑為公開數(shù)據(jù)集、互聯(lián)網(wǎng)圖片與視頻，研究人員共截取了12000張圖片，在對所截取圖片數(shù)據(jù)進(jìn)行增強(qiáng)處理的基礎(chǔ)上，將其劃分成煙霧數(shù)據(jù)集、火焰數(shù)據(jù)集兩類，煙霧數(shù)據(jù)集又分為白色煙霧、黑色煙霧，而火焰數(shù)據(jù)集所包括數(shù)據(jù)，主要為室內(nèi)/室外在白天及黑天的火焰，這樣設(shè)計(jì)的目的有兩個(gè)，一是確保數(shù)據(jù)集具備良好的泛化能力，二是做到精確識別不同場景。分別利用smoke、fire標(biāo)注圖片煙霧區(qū)、火焰區(qū)，標(biāo)注格式以PASALVOC為主，隨后，經(jīng)由隨機(jī)函數(shù)對數(shù)據(jù)集進(jìn)行劃分，獲得研究所需測試集、訓(xùn)練集，二者所包括圖片總量的比值為1∶4，其中，訓(xùn)練集又分為驗(yàn)證集、訓(xùn)練集兩部分，二者所包括圖片總量的比值為1∶9。

4.2 試驗(yàn)討論

該算法向預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行遷移，采用對前端特征進(jìn)行凍結(jié)的方式，達(dá)到提取網(wǎng)絡(luò)的效果，再以測試集、訓(xùn)練集為依據(jù)，調(diào)整剩余網(wǎng)絡(luò)參數(shù)，使其具有實(shí)際研究意義。事實(shí)證明，遷移學(xué)習(xí)可使數(shù)據(jù)所具有泛化能力得到顯著提高，訓(xùn)練環(huán)節(jié)用時(shí)隨之減少。假設(shè)SGD動(dòng)量為0.9，對應(yīng)IOU閾值是0.5，學(xué)習(xí)率初始值為0.001。

該試驗(yàn)所使用系統(tǒng)版本為Ubuntu18.04，開發(fā)框架為Pytorch，同時(shí)配備16G內(nèi)存，在基于數(shù)據(jù)集對檢測樣本進(jìn)行采集的前提下，利用遷移學(xué)習(xí)完成訓(xùn)練網(wǎng)絡(luò)模型操作，可得出“在迭代次數(shù)達(dá)到200次時(shí)，損失值變化幅度有所減小”的結(jié)論。

對火災(zāi)檢測算法進(jìn)行評價(jià)的核心指標(biāo)為真陽例率，即對全部火災(zāi)圖片進(jìn)行檢測所得存在火災(zāi)情況的圖片占比。另外，還可將樣本劃分成假陰例與真陰例，通常用及加以表示。研究結(jié)果表明，對數(shù)據(jù)進(jìn)行增強(qiáng)處理后，該算法對應(yīng)值較初始數(shù)值提高了約1.3%，對應(yīng)查準(zhǔn)率可達(dá)96.6%左右，與此同時(shí)，研究人員還對傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了調(diào)整，改進(jìn)所得算法對應(yīng)至較初始數(shù)值提高了約2.7%，對應(yīng)查準(zhǔn)率高達(dá)97.1%。若以傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)為參照物，經(jīng)過數(shù)據(jù)增強(qiáng)、結(jié)構(gòu)改進(jìn)處理的網(wǎng)絡(luò)結(jié)構(gòu)，其值較初始數(shù)值共提高了約5.5%，對應(yīng)查準(zhǔn)率在97.8%左右。結(jié)合消融試驗(yàn)所得結(jié)果可知，以數(shù)據(jù)增強(qiáng)為前提，改進(jìn)損失函數(shù)可使算法值提高約2.3%，若僅對數(shù)據(jù)進(jìn)行增強(qiáng)，而不對損失函數(shù)進(jìn)行調(diào)整，改進(jìn)算法值較SPP結(jié)構(gòu)提高約1.6%，較SE-Net算法提高約2.2%，較綜合算法提高約2.7%?？紤]到煙霧的表現(xiàn)形態(tài)并不固定，極易被色調(diào)、天空背景以及外界光照度所影響，利用該算法識別煙霧的精度，通常無法達(dá)到火焰識別所具有精度，這點(diǎn)需要尤為注意。

5 結(jié)論

綜上所述，以YOLOv3為基礎(chǔ)，通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)的方式，使網(wǎng)絡(luò)具備快速理解局部信息的能力，有助于模型對火焰所存在微小差異進(jìn)行準(zhǔn)確區(qū)分，樣本所存在目標(biāo)差異明顯、類別不均等問題也可得到有效解決。在對損失函數(shù)加以改進(jìn)的前提下，將邊界框所具有可靠性納入預(yù)測范圍，可使負(fù)樣本數(shù)量得到減少，數(shù)據(jù)集所表現(xiàn)出泛化能力隨之提高。通過增強(qiáng)數(shù)據(jù)的方式改進(jìn)數(shù)據(jù)集所產(chǎn)生積極影響，主要是能夠使預(yù)測精度最大程度接近預(yù)期水平，未來相關(guān)內(nèi)容仍然是研究重點(diǎn)，應(yīng)引起重視。