基于改进YOLOv5轻量化的烟火检测

一、介绍

二、方法

A.理论

B.轻型DSG_YOLOv5模型

（1）轻量化改进：

 （2）自适应锚点：

 （3）网络结构及实施流程：

三、结果

A.实验平台和数据集

B.结果分析

（1）模型评估：

（2）消融研究：

四、结论

---

一、介绍

        火灾对人类生命和财产构成巨大威胁，随着经济的快速发展，建筑物规模的增加和环境的复杂性也对防火提出了很大的挑战。因此，及时准确地检测火焰目标在消防安全领域具有重要意义。

        火焰检测经历了传感器检测、传统图像处理方法、深度学习方法等阶段。早期的火焰探测方法大多使用基于烟雾传感器、温度传感器、热像仪的硬件设备。但这些硬件设备的检测精度很容易受到环境的影响，硬件设备容易损坏且价格昂贵，误报率也非常高。

        由于传感器和用于检测火焰的传统图像处理方法都存在重大缺陷，研究人员已开始尝试使用卷积神经网络提取火焰特征。最新的YOLOv5目标检测算法改善了目标检测中的常见问题，检测精度高于上述检测算法。由于该模型对实时性能要求较高，因此选择YOLOv5目标检测算法作为轻量级改进的基准算法。

二、方法

A.理论

        Yolov5有四种不同尺寸的型号：yolov5s，yolov5m，yolov51和yolov5x。这四个模型的精度和模型尺寸依次增加，检测速度以tum为单位降低。这意味着YOLOv5s可以更容易地部署到嵌入式设备上，并具有最快的检测速度。

B.轻型DSG_YOLOv5模型

（1）轻量化改进：

        深度可分离卷积（DS_Conv）由深度卷积和逐点卷积两部分的组合组成，用于提取特征。如下图所示，当卷积三通道RGB图像时，普通卷积使用a×a×3卷积核同时卷积所有三个通道。当需要提取 n 个属性时，需要 n 个大小为 a ×a×3 的卷积核。DS_Conv使用三个卷积核对三个通道中的每个通道进行卷积以输出三个数字，然后使用1×1×3卷积核将三个数字卷积以输出一个数字。当需要提取 n 个属性时，只需要 n1×1×3 卷积核。随着越来越多的属性被提取，DS_Conv能够保存更多的参数。因此，在该网络中使用DS_Conv来代替主干网络中常见的卷积，从而可以减少参数数量和运营成本。

 公式如下：

         其中Dk*Dk表示卷积内核大小,M 表示输入通道数，N 表示输出通道数，N_depthwise和N_pointwise 分别表示深度卷积和逐点卷积的参数数量。

        Ghost Module是GhostNet中提出的一个轻量级卷积模块，其思路如下图所示，特征图首先通过普通卷积获得特征图，特征图的通道数为输出通道的一半，然后对获得的特征图进行线性操作，生成与自身相同通道数的特征图。最后，将两个部分拼接在一起。将瓶颈中的正常卷积替换为两个堆叠的 Ghost 模块，以获得 GhostBottleneck。将原始瓶颈替换为 GhostBottleneck 堆栈以获得Ghost_C3，使用Ghost_C3替换骨干中的C3，以减少计算并得到轻量级模型。

 （2）自适应锚点：

        Yolov5 预设锚框用于 COCO 数据集，最大纵横比为 4：1。但是，我自己使用的一些数据锚帧的纵横比已经超过4：1，因此需要自定义锚点。

        yolov5使用K均值算法和遗传算法对k均值聚类的结果进行突变，以生成与当前数据集具有更高匹配度的锚点。在本文创建了一个脚本并调用 k-means 函数来计算适合该数据集的最佳锚点大小，如下图所示：

 （3）网络结构及实施流程：

结合上面的一部分介绍，可以获得本文改进的网络结构图，下图所示：

 算法实现的流程如下图所示：

         首先，我们将标记的数据集分为三部分：训练集、验证集和测试集。其次，我们需要设置训练的初始化参数：epoch、批量大小、学习速率、优化器、网络模型的 yaml 文件。然后，我们调整hsv，翻转，度数等，并确定是否使用Mosaic增强功能。该算法加载已设置的参数和数据并对其进行处理，提取特征并对目标进行分类和定位，然后使用优化器优化参数。该算法记录每个纪元的 mAP 值，并将其与上一个纪元中获得的 mAP 值进行比较。选择mAP值最高的模型进行更新和存储，从而获得 best.pt。它被用作测试集测试图像的砝码，并将最终的识别结果标记在测试集图像上。

三、结果

A.实验平台和数据集

        用于实验的操作系统是Windows 10，CPU是Intel（R） Core（TM）i7-11700 K @ 3.60 GHz，GPU是NVIDIA GeForce RTX 3080。数据集来源于网络爬虫，并且使用数据增强进行扩充。

B.结果分析

（1）模型评估：

使用的平均精度（map），精度和召回率来评估模型。定义如下：

         其中TP表示正确预测的阳性样本的数量;FP是被错误地预测为正样本的负样本的数量;FN 是被错误地预测为负样本的正样本数。AP是通过积分PR（精度-召回率）曲线获得的，mAP是通过对所有AP值求平均值而获得的。mAP 值越高，表示模型检测效果越好。

（2）消融研究：

        为了达到模型的最佳性能，分别由SGD和Adam进行了优化，下图可以看出，在改进前后，使用SGD优化器的[email protected]和[email protected]：0.95值高于Adam优化器。因此，在此网络中使用 SGD 优化器来优化网络参数。

         为了证明该算法各改进措施和模块的有效性，进行了以下四项消融实验。使用来自测试集的图像，使用FPS测量模型的检测速度，使用FLOP和参数来测量模型网络的复杂性，并记录模型的大小。实验过程和结果如下图所示：

         可以看出，每次改进措施得到的[email protected]的差异在0.004以内，使用深度可分卷积代替普通卷积后，mAP和FPS值略有改善。参数和 FLOP 的数量分别减少到 80.3% 和 79.2%，模型尺寸减少了约 2.8 M.使用轻量级Ghost_C3模块不仅可以每秒额外检测五帧，还可以将参数数量减少到原来的 74.6%。FLOPs数量减少到原来的67%，模型尺寸减小了3.6 M.以上结果表明，本文提出的每一项措施都可以达到模型轻量化的目的。

        基于上述措施，本文提出的DSG YOLOv5模型不仅可以保证检测精度，还可以将参数和FLOP的数量减少到原来的54.8%和47%，将模型尺寸减小6.4 M，每秒处理5.47帧数据，可以达到模型轻量化和提高数据检测速度的目的。

四、结论        

        针对实际火焰检测环境，难以将大型网络模型部署到计算能力小的移动或嵌入式设备上，本文提出了一种改进的轻量级DSG-YOLOv5模型。该模型使用深度可分卷积替换主干中的正常卷积，使用Ghost_C3替换C3，然后使用锚点计算函数迭代适合其自身数据集的锚点大小。实验结果表明，DSG-YOLOv5模型在保证数据集测试集mAP值的同时，将参数和FLOP的数量减少到原来的一半左右，显著降低了模型，加快了数据检测速度。