張世玉, 高德欣

(青島科技大學(xué)自動(dòng)化與電子工程學(xué)院, 青島 266061)

新能源汽車極大地改變了全球汽車行業(yè)發(fā)展,是未來(lái)汽車行業(yè)發(fā)展的主要方向[1]。截至2022年6月底,中國(guó)新能源汽車保有量達(dá)1 001×104輛。電動(dòng)汽車充電引發(fā)火災(zāi)事故呈現(xiàn)逐年高發(fā)態(tài)勢(shì),充電樁和車載電池在運(yùn)行過(guò)程中存在線路過(guò)載、短路、接觸不良、充電操作不當(dāng)和高溫條件下散熱故障等問(wèn)題,導(dǎo)致電池溫度過(guò)高引發(fā)火災(zāi)事故。隨著新能源汽車進(jìn)一步市場(chǎng)化,充電安全問(wèn)題成為新能源汽車推廣的主要障礙[2]。

早期基于火焰和煙霧的紋理、小波、顏色、邊緣方向直方圖等靜態(tài)特征提出火災(zāi)煙霧檢測(cè)方法[3-6],此類算法存在計(jì)算量大、難以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)的問(wèn)題。近年來(lái),深度學(xué)習(xí)算法逐漸應(yīng)用于火災(zāi)檢測(cè)中[7-10]。輕量級(jí)YOLO網(wǎng)絡(luò)模型易于部署在低算力平臺(tái),成為目前研究的主流方向[11-14]。YOLOv4-Tiny是輕量化模型,在農(nóng)作物檢測(cè)[15-18]、工業(yè)電子器件檢測(cè)[19]等領(lǐng)域得到廣泛的應(yīng)用。Lin等[20]提出了一種改進(jìn)的YOLOv4-Tiny目標(biāo)檢測(cè)方法,根據(jù)檢測(cè)目標(biāo)特點(diǎn),在原算法中加入K-means聚類算法和通道注意力機(jī)制模塊(SE),取得良好的檢測(cè)效果。盧迪等[21]提出了一種改進(jìn)YOLOv4-Tiny的手勢(shì)識(shí)別算法,引入空間金字塔池化(SPP)模塊和K-means++算法,部署在安卓(Android)移動(dòng)端,實(shí)現(xiàn)了移動(dòng)端實(shí)時(shí)的手勢(shì)檢測(cè)與識(shí)別,對(duì)人機(jī)交互的發(fā)展有很大的研究意義。

鑒于此,針對(duì)火焰煙霧顏色和形狀特征具有復(fù)雜多變的特點(diǎn),提出一種基于改進(jìn)YOLOv4-Tiny-CBAM電動(dòng)汽車充電站火焰煙霧多目標(biāo)實(shí)時(shí)檢測(cè)與預(yù)警算法,在原算法中引入K-means聚類算法[22]、遺傳算法[23](genetic algorithm,GA)和卷積注意力機(jī)制(convolutional block attention module, CBAM)模塊[24-26],通過(guò)火災(zāi)和煙霧數(shù)據(jù)集訓(xùn)練改進(jìn)神經(jīng)網(wǎng)絡(luò)模型,基于充電站已有的監(jiān)控設(shè)備實(shí)時(shí)檢測(cè)火災(zāi)信息,對(duì)充電設(shè)備實(shí)施動(dòng)態(tài)預(yù)警監(jiān)測(cè)。選用輕量級(jí)YOLOv4-Tiny模型進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè),在保證檢測(cè)精度的同時(shí),縮短檢測(cè)時(shí)間,提升檢測(cè)效率;原算法中引入K-means-GA聚類算法和CBAM模塊,加強(qiáng)火焰和煙霧特征提取能力,提升訓(xùn)練效率和檢測(cè)結(jié)果的精度,改善模型的泛化能力和魯棒性;將電動(dòng)汽車充電站監(jiān)控視頻作為神經(jīng)網(wǎng)絡(luò)模型檢測(cè)輸入視頻源,以實(shí)現(xiàn)對(duì)多個(gè)充電站同時(shí)監(jiān)控,縮短火災(zāi)應(yīng)急響應(yīng)時(shí)間。該網(wǎng)絡(luò)模型可部署在低算力平臺(tái)如巡檢機(jī)器人等,在基于視頻流的移動(dòng)端目標(biāo)檢測(cè)應(yīng)用中,具有良好的應(yīng)用前景。

1 火災(zāi)檢測(cè)模型設(shè)計(jì)

1.1 基于YOLOv4-Tiny火災(zāi)檢測(cè)模型設(shè)計(jì)

由于目標(biāo)檢測(cè)算法在消防應(yīng)用中需滿足在低算力移動(dòng)平臺(tái)實(shí)時(shí)檢測(cè)的要求,因此需選用輕量化模型。YOLOv4-Tiny是YOLOv4的簡(jiǎn)化版本,以輸入圖像大小為608×608為例,圖1為YOLOv4-Tiny的網(wǎng)絡(luò)結(jié)構(gòu)圖。

Max Pooling表示最大值池化;Conv表示卷積;DOWNSAMPLE表示下采樣;CBL表示卷積模塊;Concat表示連接;CSP表示CSP網(wǎng)絡(luò)結(jié)構(gòu),其主干網(wǎng)絡(luò)高度簡(jiǎn)化,使用特征金字塔網(wǎng)絡(luò)進(jìn)行32次下采樣和16次下采樣得到兩種不同大小的特征圖,通過(guò)回歸和分類算法實(shí)現(xiàn)目標(biāo)的檢測(cè)和定位,提高檢測(cè)速度圖1 YOLOv4-Tiny網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 YOLOv4-Tiny network structure schematic

YOLOv4-Tiny的主干網(wǎng)絡(luò)由堆疊的CBL結(jié)構(gòu)和Resblock結(jié)構(gòu)組成,與Darknet53相比,主要變化是替換Mish函數(shù)為L(zhǎng)eaky-Relu激活函數(shù),簡(jiǎn)化模型參數(shù),提高計(jì)算速度。Resblock結(jié)構(gòu)是CBL模塊和CSP結(jié)構(gòu)的組合,為了限制模型大小和參數(shù)個(gè)數(shù),CSP結(jié)構(gòu)只通過(guò)了一次殘差結(jié)構(gòu)的堆疊。在預(yù)測(cè)方面,YOLOv4-Tiny采用YOLOv4預(yù)測(cè)模塊,使用K-means聚類算法找到錨框,考慮尺度、距離、懲罰項(xiàng)和錨點(diǎn)之間的重疊率對(duì)損失函數(shù)的影響,引入CIOU(complete-IoU)來(lái)代替交并比(IOU),目標(biāo)框回歸變得更加穩(wěn)定,如圖2所示。

blue為藍(lán)色;red為紅色;greeen為綠色;c為真實(shí)框和預(yù)測(cè)框兩框中最小的邊界矩形的對(duì)角線長(zhǎng)度;d為真實(shí)框的中點(diǎn)和預(yù)測(cè)框中點(diǎn)的直線距離;A表示檢測(cè)區(qū)域(預(yù)測(cè)框);B表示目標(biāo)區(qū)域(真實(shí)框);C表示包含A和B的最小區(qū)域;D表示A和B重合區(qū)域圖2 CIOU示意圖Fig.2 CIOU diagram

CIOU損失函數(shù)的計(jì)算公式為

(1)

式(1)中:dgt為真實(shí)框中點(diǎn)的位置;α為注意力機(jī)制中設(shè)定的權(quán)重系數(shù);v為真實(shí)框和預(yù)測(cè)框兩框的縱橫比距離;d為預(yù)測(cè)框(A)和真實(shí)框(B)的中心點(diǎn)的歐式距離;c為能夠同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小包閉區(qū)域(C)的對(duì)角線距離;α和v的表達(dá)式分別為

(2)

(3)

式(3)中:wgt、hgt分別為真實(shí)框的寬度和高度,w、h分別為預(yù)測(cè)框的寬度和高度。

在YOLOv4-Tiny基礎(chǔ)上進(jìn)行改進(jìn):首先,原網(wǎng)絡(luò)中錨框值不適用于火焰煙霧目標(biāo),需要重新計(jì)算;其次,原網(wǎng)絡(luò)模型使用了大量的最大池化并減少了卷積層的使用,導(dǎo)致模型的主干特征提取中高級(jí)語(yǔ)義信息嚴(yán)重丟失,小目標(biāo)的特征點(diǎn)在網(wǎng)絡(luò)特征提取過(guò)程中容易被跳過(guò),導(dǎo)致檢測(cè)模型對(duì)火災(zāi)發(fā)生初期的小火焰煙霧目標(biāo)不敏感。針對(duì)這兩個(gè)問(wèn)題,在原網(wǎng)絡(luò)模型中引入K-means-GA聚類算法重新篩選錨框,在主干特征提取層和加強(qiáng)特征融合層中引入CBAM模塊,提升火焰煙霧特征提取能力以提高模型的準(zhǔn)確率,同時(shí)保持較高的檢測(cè)速度,改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

DarknetConv2D_BN_Leaky為卷積層-批歸一化層-Leaky激活層這三層網(wǎng)絡(luò)結(jié)構(gòu);Resblock_body通常由多個(gè)Residual Block組成,每個(gè)Residual Block 包含多個(gè)層(卷積層、批歸一化層和激活函數(shù)層等),通過(guò)跨層連接將輸入特征與輸出特征相加,從而實(shí)現(xiàn)信息的殘差傳遞;CBAM為CBAM注意力機(jī)制;YOLO Head為YOLOv4-tiny的預(yù)測(cè)頭;Conv+Upsampling為卷積層和上采樣層這兩個(gè)層;Input為輸入的特征圖圖3 改進(jìn)YOLOv4-Tiny網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Improved YOLOv4-Tiny network structure diagram

1.2 基于K-means-GA的錨框優(yōu)化

在目標(biāo)檢測(cè)任務(wù)中,首先在圖片上生成一系列錨框,將這些錨框當(dāng)成可能的候選區(qū)域,模型對(duì)這些候選區(qū)域是否包含物體進(jìn)行預(yù)測(cè)。檢測(cè)不規(guī)則物體時(shí),微調(diào)模型的錨框有助于提升檢測(cè)性能。電動(dòng)汽車充電站發(fā)生火災(zāi)時(shí),火焰和煙霧在短時(shí)間內(nèi)受外界因素影響導(dǎo)致形狀復(fù)雜多變,不宜使用原錨框參數(shù)值,因此需使用K-means算法重新對(duì)數(shù)據(jù)集進(jìn)行聚類,得到基于火焰煙霧數(shù)據(jù)集的錨框值并用于檢測(cè)。

K-means算法的目的是將對(duì)象劃分為使同一簇內(nèi)對(duì)象之間的距離最小化的簇,以識(shí)別相似的對(duì)象,如圖4所示。但其缺乏選擇合適初始種子的能力,隨機(jī)選擇初始種子可能會(huì)導(dǎo)致局部最優(yōu)解遠(yuǎn)遠(yuǎn)低于全局最優(yōu)值,即在同一數(shù)據(jù)集上運(yùn)行的不同初始種子可能會(huì)產(chǎn)生不同的分區(qū)結(jié)果,導(dǎo)致分類不準(zhǔn)確。

不同顏色的點(diǎn)表示錨框的大小;×表示聚類中心圖4 K-means示意圖Fig.4 K-means diagram

為了克服上述限制,避免K-means聚類的過(guò)早收斂,采用GA算法作為優(yōu)化工具,將GA與K-means均值聚類過(guò)程合并,在K-means聚類過(guò)程的第一步中進(jìn)化初始種子,提高指定k(聚類簇?cái)?shù))周圍的分類質(zhì)量。

GA算法是一種具有全局搜索能力的隨機(jī)算法,主要步驟是將待解空間中的可能值編碼為染色體,建立初始種群,然后按適應(yīng)度(fit)進(jìn)行遺傳選擇,按一定概率進(jìn)行交叉和變異。循環(huán)執(zhí)行遺傳選擇、交叉、變異操作,直到滿足結(jié)束條件。

(4)

式(4)中:JB為符合條件的個(gè)體;JE為全部個(gè)體。

交叉和變異操作會(huì)產(chǎn)生新的個(gè)體,但種群規(guī)模應(yīng)當(dāng)始終控制為固定大小m,遺傳選擇操作首先計(jì)算當(dāng)前所有個(gè)體的適應(yīng)度f(wàn)itness,將適應(yīng)度按降序進(jìn)行排序,然后按照以下策略進(jìn)行遺傳選擇。

(1)最優(yōu)個(gè)體保留。適應(yīng)度前10%的個(gè)體直接選入下一代。最優(yōu)個(gè)體的保留確保了在進(jìn)化過(guò)程中種群已得到的最優(yōu)解不會(huì)被淘汰,使得進(jìn)化不會(huì)發(fā)生倒退。

(2)剩余個(gè)體輪盤(pán)賭。對(duì)剩余的個(gè)體使用輪盤(pán)賭方式的方式?jīng)Q定是否能進(jìn)入下一代。剩余個(gè)體i對(duì)應(yīng)的適應(yīng)度為fi,對(duì)應(yīng)的輪盤(pán)賭概率ρi可表示為

(5)

式(5)中:ui為符合條件的個(gè)體;u為全部個(gè)體。

(3)循環(huán)考察剩余個(gè)體,產(chǎn)生隨機(jī)數(shù)r,若ρix=ρi,則將個(gè)體ix選入下一代。如此循環(huán),直到下一代種群的規(guī)模達(dá)到預(yù)設(shè)m。

使用改進(jìn)K-means-GA聚類算法對(duì)火焰煙霧數(shù)據(jù)集進(jìn)行重新聚類,fit=0.752 6,錨框(anchor)參數(shù)如表1所示。

表1 anchor參數(shù)值Table 1 Parameter value of anchor

1.3 基于CBAM算法的特征提取網(wǎng)絡(luò)優(yōu)化

注意力機(jī)制是深度學(xué)習(xí)算法中常用優(yōu)化算法,可以分為通道注意力機(jī)制(SENet、ECANet)、空間注意力機(jī)制(SAM)、以及二者的結(jié)合體卷積注意力機(jī)制(CBAM)。注意力機(jī)制通過(guò)給不同部分的特征圖賦予權(quán)重或硬性選擇部分特征圖,抑制無(wú)用信息,以達(dá)到選擇更優(yōu)特征的目的。

CBAM由輸入模塊F∈RC×H×W、通道注意力模塊Mc∈RC×1×1、空間注意力模塊Ms∈R1×H×W和輸出模塊F2組成,如圖5所示。

MaxPool為最大池化層;AvgPool為平均池化層;Shared MLP為多層感知機(jī);Conv Layer為卷積層圖5 混合注意力機(jī)制Fig.5 Convolutional block attention module

CBAM用函數(shù)形式可表示為

F′1=Mc(F)?F

(6)

式(6)中:F′1為通道重定義特征,即特征圖已經(jīng)CAM注意力模塊后生成的一種特征圖;?為卷積運(yùn)算。

F2=Ms(F′1)?F′1

(7)

CBAM將空間注意力和通道注意力結(jié)合起來(lái),實(shí)現(xiàn)雙機(jī)制結(jié)合。注意力模塊不再采用單一的最大池化或平均池化,而是采用最大池化和平均池化的相加或堆疊,即通道注意力模塊采用相加,空間注意力模塊采用堆疊方式,能顯著提高圖像分類和目標(biāo)檢測(cè)的準(zhǔn)確率。

由于將注意力機(jī)制模塊放置在主干網(wǎng)絡(luò)會(huì)導(dǎo)致網(wǎng)絡(luò)的預(yù)訓(xùn)練權(quán)重?zé)o法用且降低預(yù)測(cè)準(zhǔn)確性,在主干網(wǎng)絡(luò)提取出來(lái)的兩個(gè)有效特征層上增加CBAM模塊,同時(shí)對(duì)上采樣后的結(jié)果增加CBAM模塊,如圖6所示。CBAM模塊是一個(gè)輕量級(jí)的通用模塊,包含CAM和SAM兩個(gè)獨(dú)立的子模塊,分別進(jìn)行通道與空間上的處理,能夠節(jié)約參數(shù)和計(jì)算力,保證其能夠作為即插即用的模塊集成到卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中,改善特征提取能力,提升卷積神經(jīng)網(wǎng)絡(luò)的性能。

CSPDarknet53-tiny為改進(jìn)后的YOLOv4-Tiny的特征提取網(wǎng)絡(luò);FPN為特征金字塔網(wǎng)絡(luò),其能夠?qū)斎氲亩喑叨忍卣鲌D進(jìn)行特征融合,并且產(chǎn)生新的特征圖圖6 特征提取網(wǎng)絡(luò)改進(jìn)示意圖Fig.6 Schematic diagram of feature extraction network improvement

2 實(shí)驗(yàn)平臺(tái)構(gòu)建

2.1 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建

電動(dòng)汽車發(fā)生火災(zāi)時(shí),初期燃燒溫度可達(dá)500 ℃以上,隨著高溫?zé)煔獬掷m(xù)聚集,有限空間內(nèi)部溫度將急劇上升,形成擴(kuò)散趨勢(shì),橫向蔓延至周邊車輛及其他可燃物。電氣設(shè)備燃燒時(shí)會(huì)產(chǎn)生大量煙霧,部分煙霧與火焰相融合影響火焰的亮度和形狀,火焰和煙霧易受外界因素影響導(dǎo)致特征復(fù)雜多變。因此,在數(shù)據(jù)集選取和構(gòu)建過(guò)程中,要擴(kuò)大數(shù)據(jù)集圖片數(shù)量,盡可能多的標(biāo)注不同狀態(tài)下的動(dòng)態(tài)目標(biāo)特征信息,提升檢測(cè)精確度。

數(shù)據(jù)集在構(gòu)建過(guò)程中,為保證圖片質(zhì)量,選取圖片的寬度或高度應(yīng)不小于600像素,去除重復(fù)、模糊、光污染的圖像,最終得到3 371幅圖像,部分?jǐn)?shù)據(jù)集如圖7所示。LabelImg軟件用于對(duì)實(shí)驗(yàn)圖像中的火焰煙霧圖進(jìn)行標(biāo)注,生成包含火焰和煙霧坐標(biāo)的XML文件,并按照VOC數(shù)據(jù)集格式進(jìn)行劃分,訓(xùn)練集、驗(yàn)證集和驗(yàn)證集劃分比例為8∶1∶1。

2.2 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)環(huán)境為win10系統(tǒng),CPU為Intel i7-11800H,ROM為16 GB,GPU為RTX3060(6 GB),模型均使用PyTorch編寫(xiě),具體配置如表2所示。訓(xùn)練參數(shù)設(shè)置:置信度(confident)為0.5,訓(xùn)練輪數(shù)(epoch)為300,前100個(gè)epoch的學(xué)習(xí)率為1×10-3,訓(xùn)練批次(batch size)為8;后200個(gè)epochs的學(xué)習(xí)率為1×10-5,batch size為4,輸入圖像尺寸統(tǒng)一設(shè)置為416×416。

表2 本地計(jì)算機(jī)的基本配置Table 2 Basic configuration of the local computer

電動(dòng)汽車充電站多目標(biāo)監(jiān)測(cè)主要可以分為模型搭建,模型訓(xùn)練和實(shí)時(shí)檢測(cè)3個(gè)階段,依據(jù)檢測(cè)目標(biāo)對(duì)YOLOv4-Tiny網(wǎng)絡(luò)模型進(jìn)行改進(jìn),完成網(wǎng)絡(luò)模型搭建;訓(xùn)練集用于模型訓(xùn)練;測(cè)試集用于對(duì)火災(zāi)煙霧視頻進(jìn)行檢測(cè),具體流程如圖8所示。

圖8 實(shí)驗(yàn)流程圖Fig.8 Experimental flow chart

2.3 模型性能評(píng)價(jià)指標(biāo)

在二元分類問(wèn)題中,根據(jù)樣本的真實(shí)類別和模型的預(yù)測(cè)類別的組合,可以分為4類:真正例(TP)、假正例(FP)、真負(fù)例(TN)、假負(fù)例(FN),如圖9所示。機(jī)器學(xué)習(xí)(ML),自然語(yǔ)言處理(NLP),信息檢索(IR)等領(lǐng)域,評(píng)估(Evaluation)是一個(gè)必要的工作,而其評(píng)價(jià)指標(biāo)包含AP、mAP、Pr、Re和F1-Measure(F1),其中,Pr為所有預(yù)測(cè)為陽(yáng)性的樣本中真陽(yáng)性樣本的比例;Re為在真陽(yáng)性樣本中預(yù)測(cè)為陽(yáng)性的樣本的比例;每個(gè)類的AP為Pr和Re形成的Pr-Re曲線下的面積;mAP為所有類的AP值的平均值;F1為基于Pr和Re的調(diào)和平均值。

圖9 評(píng)估參數(shù)示意圖Fig.9 Schematic diagram of evaluation parameters

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證YOLOv4-Tiny-CBAM模型檢測(cè)性能,隨機(jī)篩選400張圖片在該改進(jìn)算法進(jìn)行測(cè)試評(píng)估,實(shí)驗(yàn)測(cè)試結(jié)果如表3、圖10所示。損失曲線顯示了訓(xùn)練期間訓(xùn)練集上的誤差,在前10次訓(xùn)練迭代期間,誤差急劇下降。迭代10次之后,損失曲線趨向于穩(wěn)定,最終誤差在0.05附近波動(dòng)。測(cè)試結(jié)果數(shù)據(jù)如表3所示。

表3 YOLOv4-Tiny-CBAM測(cè)試結(jié)果Table 3 YOLOv4-Tiny-CBAM test results

trainloss為訓(xùn)練集損失函數(shù)值;val loss為驗(yàn)證集損失函數(shù)值;smooth train loss、smooth val loss分別為將訓(xùn)練集和驗(yàn)證集的損失函數(shù)值平滑化,用于保證目標(biāo)圖像的梯度不能過(guò)大,進(jìn)而保證看起來(lái)更加平滑;class為目標(biāo)檢測(cè)識(shí)別出來(lái)的目標(biāo)類別;score_threhold為極大值抑制的閾值,當(dāng)預(yù)測(cè)框的置信度小于score_threhold時(shí)會(huì)被直接去除掉,從而防止重復(fù)框;smoke F1為煙的 F1值;fire F1指的是火的 F1值圖10 YOLOv4-Tiny-CBAM測(cè)試結(jié)果示意圖Fig.10 Schematic diagram of YOLOV4-Tiny-CBAM test results

為了驗(yàn)證上述改進(jìn)模型的實(shí)時(shí)檢測(cè)性能,選取部分車輛著火圖片至YOLOv4-Tiny-CBAM算法模型進(jìn)行實(shí)時(shí)檢測(cè),檢測(cè)結(jié)果如圖11所示,火焰和煙霧預(yù)測(cè)框貼合目標(biāo)所在區(qū)域,煙霧和單火焰目標(biāo)預(yù)測(cè)準(zhǔn)確性均大于0.8,多火焰目標(biāo)準(zhǔn)確性均大于0.7,達(dá)到了實(shí)驗(yàn)預(yù)期要求。

圖11 模擬監(jiān)控視頻檢測(cè)結(jié)果圖Fig.11 Analog surveillance video detection results chart

選取某電動(dòng)汽車充電站著火視頻作為模擬監(jiān)控設(shè)備視頻輸入YOLOv4-Tiny-CBAM算法模型進(jìn)行實(shí)時(shí)檢測(cè),檢測(cè)結(jié)果如圖11所示,該模型檢測(cè)速度足以進(jìn)行43 FPS(video)的連續(xù)實(shí)時(shí)檢測(cè),具有較高的精確率和較強(qiáng)的連續(xù)跟蹤能力,可應(yīng)用于遠(yuǎn)程動(dòng)態(tài)視頻監(jiān)控,滿足對(duì)電動(dòng)汽車充電站實(shí)現(xiàn)實(shí)時(shí)監(jiān)控需求。

3.2 模型對(duì)比分析

為了驗(yàn)證提出的YOLOv4-Tiny-CBAM模型的優(yōu)越性,將其與Faster R-CNN(faster-regions with CNN features)、SSD(single shot multibox detector)、YOLOv4和YOLOv4-Tiny算法進(jìn)行比較分析。實(shí)驗(yàn)過(guò)程中選取同一份測(cè)試數(shù)據(jù)集且各項(xiàng)參數(shù)保持相同,不同模型評(píng)價(jià)指標(biāo)參數(shù)如表4所示。

表4 不同模型評(píng)價(jià)指標(biāo)參數(shù)對(duì)比Table 4 Comparison of evaluation index parameters of different models

從表4中可以得出,YOLOv4-Tiny模型的參數(shù)量為6.057 M,是原YOLOv4模型參數(shù)量(Pa)的9.41%,網(wǎng)絡(luò)模型得到大幅度精簡(jiǎn),mAP值下降4.75%。改進(jìn)后的YOLOv4-Tiny-CBAM模型與原YOLOv4-Tiny模型相比,模型參數(shù)量增加1.42%,mAP值提升7.33%,火焰目標(biāo)檢測(cè)AP值提升9.36%最為顯著。實(shí)驗(yàn)結(jié)果表明,K-means-GA聚類算法和CBAM算法對(duì)煙霧特征提取具有優(yōu)化作用。

選取部分電動(dòng)汽車著火圖片輸入至YOLOv4-Tiny-CBAM、YOLOv4和Faster R-CNN模型進(jìn)行橫向?qū)Ρ?圖片輸入尺寸為608×608,confidence設(shè)置為0.5,檢測(cè)結(jié)果如圖12所示?？梢钥闯?改進(jìn)后的算法在檢測(cè)精度上全面領(lǐng)先于YOLOv4算法,YOLOv4算法中存在的漏檢問(wèn)題得到了解決,如圖12(d)、圖12(f)、圖12(g)、圖12(i)所示。Faster R-CNN模型雖然具有極高的檢測(cè)精度,但是存在誤檢行為,將綠色樹(shù)葉誤檢測(cè)為火焰如圖12(h)所示,與Faster R-CNN模型相比,提出的改進(jìn)模型在精度上稍有下降,但在檢測(cè)速度上領(lǐng)先于Faster R-CNN模型,易于部署在移動(dòng)平臺(tái)上實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

4 結(jié)論

(1)針對(duì)電動(dòng)汽車充電站得安全監(jiān)測(cè)與預(yù)警問(wèn)題,提出一種輕量級(jí)目標(biāo)檢測(cè)算法,實(shí)現(xiàn)了對(duì)電動(dòng)汽車充電站這一復(fù)雜場(chǎng)景的實(shí)時(shí)火焰煙霧多目標(biāo)檢測(cè)。經(jīng)實(shí)驗(yàn)對(duì)比分析表明,改進(jìn)后的YOLOv4-Tiny-CBAM模型mAP為86.76%,模型參數(shù)量為6.143M,綜合性能優(yōu)于當(dāng)前流行的SSD模型、YOLOv4模型,以及具有ResNet 結(jié)構(gòu)的Faster R-CNN模型,FPSvideo值為43,可應(yīng)用于低算力移動(dòng)端平臺(tái)實(shí)現(xiàn)實(shí)時(shí)火災(zāi)檢測(cè),有助于電動(dòng)汽車充電站安全運(yùn)行。

(2)今后工作可進(jìn)行以下改進(jìn):首先根據(jù)電動(dòng)汽車充電站火災(zāi)特定場(chǎng)景構(gòu)建數(shù)據(jù)集,增加電動(dòng)汽車和充電樁著火圖片數(shù)量,提升火災(zāi)場(chǎng)景復(fù)雜程度,提升檢測(cè)精度;進(jìn)一步優(yōu)化網(wǎng)絡(luò)模型,根據(jù)火焰和煙霧特征對(duì)CSPDarknet53-Tiny網(wǎng)絡(luò)進(jìn)行通道修剪并引入先進(jìn)的優(yōu)化算法,提升檢測(cè)精度和召回率,使改進(jìn)模型更符合特定場(chǎng)景火災(zāi)檢測(cè)需求,提升檢測(cè)效率。