一種基于改進YOLOv3的火焰識別算法

曹成志 譚笑宇 黃馨儀 羅澤昊

【摘? 要】在復雜多變的工作情景中，火災的預防往往依賴于煙霧報警器，但不能對火情的程度做出判斷，容易受到場地的局限，而且存在一定的滯后性。針對上述存在的問題，本文提出了一種基于多尺度檢測的改進YOLOv3火焰識別算法，采用四個不同尺度的特征層來提高對小火焰的識別率，用于解決原始YOLOv3算法對小尺寸物體的識別效果不佳的問題。

【關鍵詞】多尺度檢測;YOLOv3;后驗框

引言

煙霧作為火災表現出的最為顯著的特征之一，準確而實時地進行煙霧檢測，是減小火災危害的重要手段。傳統的煙霧檢測通常使用煙霧探測器作為檢測裝置，需要煙霧達到一定濃度時才會發出警報，檢測速度較慢、響應時間長。而運用目標檢測算法進行火災煙霧視頻監控能較好地解決上述問題，其監控范圍廣，反應速度快，而且可以節省大量硬件資源。

本文提出一種基于改進YOLOv3的火災煙霧檢測算法，在原有三種不同尺度進行檢測的基礎上拓展一個尺度，提升小目標識別的準確度，并在火災目標檢測數據庫上進行訓練，獲得相應火災檢測模型，檢驗算法應用效果。

1.YOLOv3算法原理

YOLOv3算法的整體結構包括主干網絡、多尺度特征提取器以及輸出層三個部分。YOLOv3的主干網絡采用由53個卷積層構成的Darknet-53網絡架構，其重要特點是使用了一系列殘差塊。殘差塊內進行的殘差卷積是對輸入進來的特征層先進行一次步長為2的3x3卷積，以壓縮特征層的長和寬，并增加其通道數。在保存這一步得到的卷積層后，再依次進行一次1x1和3x3的卷積，以減少參數量并擴張通道。把這兩次卷積后得到的結果與前面保存的卷積層相加，就得到殘差卷積的最終結果。另外，殘差塊還使用了跳躍連接，以緩解在深度神經網絡中增加深度帶來的梯度消失問題，使得網絡深度可以進一步增加。在多尺度特征提取器部分，共有三個不同位置的特征層，通過上采樣和特征融合的方法，最終在輸出層得到3種不同尺度的特征圖。多尺度的特征提取可以增加特征的豐富度，提升大、小目標的檢測效果。

2.多尺度檢測改進

在許多實際場景中，由于物體與圖像采集裝置的距離不盡相同，導致物體在圖像中的尺寸也會出現較大差距，一些尺寸較小的物體往往不容易被檢測。針對以上問題，本文通過在原有的三個特征層的基礎上，再增加一個104*104尺寸的特征層，用于提高對小物體的識別率。在Darknet-53網絡架構中，三種特征層都經過了不同數目的殘差卷積，使得原始圖像被劃分為指定的尺寸。以此類推，從網絡中引出104*104尺寸的特征圖也十分方便。當得到第四個特征層之后，由于尺寸不同，還需要各個特征層通過上采樣操作調整特征層尺寸，再經過拼接，才可以使各個特征層想融合。

2.1構建訓練集和測試集

由于數據十分有限，本文采用交叉驗證法進行訓練和測試，就是把原始數據進行分組，一部分做為訓練集來訓練模型，另一部分做為測試集來評價模型。本次實驗將數據集隨機分為10組，每次選取其中1組作為測試集，剩下的9組作為訓練集，對模型進行測試。如此反復10次，保證每一組都有一次機會成為測試集。得到的10組結果再求取平均值用于模型參數的估計，作為模型的性能指標。這種做法可以充分利用樣本數據，適用于樣本較少的情況。

2.2圖像預處理

直方圖是圖像中像素強度分布的圖形表達方式，表征了圖像種色素的數量分布。直方圖均衡化是一種比較常用的圖像處理方法，其主要作用是增加局部對比度而不失整體對比度，可以突出圖像一些細節的特征。采用直方圖均衡化的方式對圖像進行預處理。

2.3實驗過程

利用改進后的YOLOv3網絡，每次將2700張圖片作為訓練數據集輸入，訓練完成后通過300張圖片測試集進行性能測試，迭代次數為10次。與傳統YOLOv3網絡的測試結果進行對比，觀察各個性能指標的差異性，并分析改進模型的策略。

此外，本實驗選用視頻作為最終載體，將訓練好的模型用于識別視頻中的火焰并標注火焰的位置，并記錄性能較好的模型參數，盡可能提高目標檢測的流暢度和實時性。

2.4測試與評估

本實驗采用平均精確度AP（average precision）作為評價指標，首先要計算結果的準確率（precision）和召回率（recall）。僅通過準確率或召回率并不能全面地衡量一個模型的性能，mAP將兩者結合起來，評價模型顯得更加客觀。模型的準確率表征預測結果中真實正樣本的比例，即結果中的實際正樣本與結果中所有正樣本之比;召回率表征結果中的正樣本占實際所有正樣本的比例，即預測的真實正樣本數量與樣本中真實正樣本數量之比。

3.實驗結果分析

在對模型進行訓練時，選取動量參數為0.8，迭代次數為10次，學習率設置為0.001，權重下降率為0.0005。在參數一致的情況下，使用相同的數據集，分別將傳統YOLOv3算法和本文的改進YOLOV3算法的效果進行對比，得到以下效果。

兩者的初始損失值十分相近，約為8.1，但是改進后的YOLOv3算法loss值衰減較快。相比于原算法，在訓練時表現出較好的效果，可以提升收斂效果。

在實效性上，改進后的YOLOv3算法在識別視頻時，幀數保持在25～30以內，可以基本滿足實時監測的需求，但是相比于傳統方法，實時性有所下降。以下為檢測視頻流的效果。

4.問題與展望

目標檢測算法一直是計算機視覺領域的研究熱點之一，依靠高效的硬件設備作為支撐，結合性能優良的算法結構，可以工業生產和居民生活做提供便利。本文完成了對YOLOv3算法的改進，但是，在實際運行過程中，依然存在很多問題待解決。筆者在這里總結幾點問題：

（1）訓練集的制作會消耗大量人力資源。在圖像標注的過程中，需要對每一張圖片中的目標進行框圖并標注類型，如果訓練更加優異的模型，必然需要更加豐富的樣本，因此需要更多人力，這樣就限制了算法的推廣以及在工程領域的應用。

（2）時效性與準確性的矛盾。深度神經網絡往往配有大量參數，而參數的多少直接影響到模型的快時效性。本文選用刪減殘差網絡的方法來提高時效性，可以縮短訓練的時間，但是在一定程度上會降低準確度。

（3）“黑箱”模型背后的數學基礎。事實上，很多算法的搭建和改進都是依賴于數學知識。對于YOLOv3算法背后的數學，還有待發掘。如果想要有更好的算法，必須具備很好的數學功底，這正是很多初級研究人員所稀缺的。

在當代，人工智能已經走進尋常百姓家，計算機視覺技術也在慢慢改變著人們的生活，目標檢測早已應用于很多工程領域。無論是在理論上還是在應用上，目標檢測算法都還有很多部分等待開發。在不久的將來，還會有一大批科研人員投入其中，不斷推動算法性能的提升，促進人工智能的推廣。

5.結語

為了提高YOLOv3算法性能，本文對特征提取網絡進行適當改進，選用多尺度檢測的方式提高檢測精度，在原有三個尺度的特征層的基礎之上，再增加第四個不同尺度的特征層;并刪減殘差網絡數目以保持時效性，在五個殘差網絡塊中都進行刪減，使得模型的參數大大縮小。

雖然本文在一定程度上可以實現較好的火焰目標實時檢測，但是算法的穩定性依然受到很多不確定因素的影響，例如：火焰本身的顏色特征對周邊環境有較大影響，會出現很多噪聲;待捕捉的火焰受到光照強度（強光或弱光）的制約，會降低檢測精度，還對魯棒性提出更高的要求。此外，如何利用數學數學理論去解釋算法的合理性，依然是在未來的研究中需要探索的內容。