基于深度学习的消防器材自动识别研究

　　摘要：在智慧消防城市救援平台项目中，定位建筑内消防器材位置的前提是准确识别建筑图纸上消防器材图标，只有精准地识别建筑图纸上的消防器材，救援平台才能为消防救援行动提供有效支撑。针对手动录入建筑楼层消防信息效率低下的问题，文中提出了一种在darknet框架下利用YOLOv3算法来实现的基于深度学习的消防器材自动识别方案。通过收集数据集，下载预训练文件，使用YOLOv3算法进行自训练的方法，达到在消防器材图标数量和种类众多的建筑图纸上实现对消防器材图标准确识别与位置输出的目的。实验结果表明，消防器材自动识别方案能显著提高智慧消防城市救援平台项目中建筑图纸上消防器材图标录入的效率，具有很强的可靠性。

　　关键词：目标检测;计算机视觉;YOLOv3;卷积神经网络;深度学习

　　近年来，城市中的安全隐患日益增多，各类灾害事故呈现出风险高、危害大的特点。安全隐患日益增多的主要原因是城市规模不断扩大导致的人口 大量聚集，因此社会公共安全需求日益倍增。随着城市化进程的持续进行，城市高层、地下、商业综合体、地铁、隧道等建筑发展迅猛，导致公安消防局现役防灭火力量严重不足，消防官兵长期疲劳作战，火灾防控压力巨大。国务院《促进大数据发展行动纲要》(2015)中指出要推动智慧消防城市救援平台的建设和发展。“要深入推进消防信息化建设，积极建设‘智慧消防’”是2017年1月全国消防工作会议上中央政法委书记郭声琨强调的重点。

　　深度学习论文范例：基于深度学习的荧光显微成像技术及应用

　　在此背景下智慧消防城市救援平台项目应运而生，利用图像识别技术对建筑图纸上的消防器材图标进行定位识别，能更好地发挥智慧消防城市救援平台的作用。目前国内图像识别的研究方向大多是关于数字识别的，如对数字仪表[1]、试卷答题卡[2]、手写试卷分数的识别;射频指纹识别的研究[3]。

　　人脸识别算法如正交人脸特征学习算法[4]、二阶段性别分类算法[5];车牌识别如依赖边缘特征的车牌识别[6]，算法如色彩迁移与正则化约束去雾算法[7];农产品虫害如玉米螟虫害的图像识别方法[8]，图像识别中储粮害虫的特征提取[9];缺陷检测如游乐设施焊缝缺陷检测[10]，钣金件表面缺陷检测[11]以及医用病理如腹膜腔脱落细胞病理图像识别[12]等方面，但对于消防方面深度学习的应用较少。应用方向多是对于依赖卷积神经网络的烟雾识别来识别森林火灾[13]，通过读取视频图像来进行烟雾识别[14]，识别方法上多是对于生成对抗网络和卷积神经网络[15]、颜色统计特征和小波变换方法[16]的对比研究，用在建筑图纸上消防器材的处理与识别目前较少。

　　1YOLOv3的原理

　　YOLO算法的基本思想可以通过一个例子来理解。例如输入一张64×64的图片，YOLO算法会将输入的图片用网格分成64×64的单元格，如果单元格和真实检测框中目标的中心坐标重合，就由这个单元格来预测目标。YOLOv3算法中每个目标都拥有3个对应的边界框来定位，YOLOv3算法就是使用逻辑回归的办法来确定在三个边界框的回归框。所以说YOLO是一种endtoend的目标检测模型。

　　1.1YOLOv3的结构

　　池化层和全连接层不包含于YOLOv3的整个结构中。Darknet-53网络是YOLOv3主干结构，同时全卷积的结构是YOLOv3所有预测支路所采用的结构。可以看出YOLOv3的基本组件是DBL。BatchNormalization(BN)和LeakyReluDarknet紧跟在Darknet的卷积层后。在YOLOv3中除最后一层卷积层外，最小组件由BN和LeakyRelu共同构成，而最小组件已经是卷积层不可分离的一部分。

　　5个resn结构分别为res1、res2、…、res8，其组成了YOLOv3的主干网络。resn结构中的n代表数字，表示由n个res_unit组成了res_block，YOLOv3的大组件就由resn结构组成。YOLOv3和YOLOv2的区别在于后者没有残差结构，YOLOv3借鉴了ResNet的残差结构使得YOLOv2的Darknet-19改进为YOLOv3的Darknet-53。YOLOv3网络结构更深，就是因为使用了这种残差结构。

　　1.2特征提取网络Darknet-53

　　(Backbone)YOLOv3算法使用的特征提取网络是一个由残差单元叠加而成的53层的卷积网络。JosephRedmon的实验证实了，YOLOv3算法中的Darknet53模型很好地平衡了识别目标物体的效率和准确度。YOLOv3追求精度的同时保证了实时性(fps>60)，而不是盲目的追求效率。YOLOv3算法要进行5次尺寸变换。

　　1.3损失函数

　　损失函数(LossFunction)是掌握YOLO的重要关键。YOLO系列文献里面只有YOLOv1明确提到了损失函数的公式，所用的损失函数并没有在YOLOv3的文献里明确提出。sum-squareerror的损失计算方法是YOLO系列文献中唯一提到损失函数公式。画出LossFunction曲线需要获取(xi,yi)、(wi,hi)、class、Confidence这四个参数。损失函数应该由四类不同的关键信息各自确定。LossFunction因此可以作为衡量模型训练成果的标准。

　　2数据集训练

　　步骤一，权重下载。从官方网站上下载权重数据放到YOLOv3算法程序的主目录下，然后使用主目录下的conver.py文件进行转换，命令如下：Pythonconvert,py-wyolov3.cfgyolov3.weightsmodel_data/yolo_weights.h5就能得到权重文件。最后权重文件放在model_data文件夹里。

　　步骤二，生成训练文件。训练文件每一行对应着一个样本图片，代码的开头是图片的路径，后面是对应目标的4个参数坐标。步骤三，修改YOLOv3.cfg。有三处需要修改的代码，Classes对应的YOLOv3.cfg是数据集的类别，filters的数值需要通过计算公式filters=(5+classes)*3来计算。步骤四，利用k-means.py生成一个先验框。先验框的作用就是在没开始训练之前决定模型需要检测的物体的大小，然后模型可以再利用边界框对回归框进行调整。

　　步骤五，修改yolo_classes.txt文件。这个yolo_classes.txt上显示的就是项目要识别的类别和对应的名称。本项目有4种需要识别的器材，分别为烟感、温感、手报(手动报警装置)、消报(消火栓)，因为预训权重练文件只能识别英文，所以该文用yangan、wengan、shoubao、xiaobao的拼音来代表4种不同的消防器材。

　　3实验结果

　　使用Python调用经过以上的步骤训练出来的权重文件，对建筑图纸上的四类消防器材图标分别进行识别。本次实验说明了，利用YOLOv3算法进行自训练的方法来实现消防器材的自动识别是切实可行的，模型识别效果良好，达成了该文的研究目的，能提高智慧消防城市救援平台数据录入工作的效率。

　　4结束语

　　为完成建筑图纸上消防器材图标的识别工作，文中使用了深度学习方面的相关知识。基于Python语言，使用基于Darknet框架中的YOLOv3算法对数据集的多次训练，使得该文的研究方案能同时识别4种不同的建筑图标，识别结果在准确性和高效性方面显得极为突出。调用训练好的权重文件对建筑图纸上的消防器材图标进行识别，并输出其位置坐标，最终实现了对建筑器材消防图纸上消防器材图标的自动识别研究，为后续城市智慧安防平台的建筑图纸信息录入工作，指挥调度系统在火灾消防行动中开展精准的指挥工作奠定了基础。

　　参考文献：

　　[1]郭兰英,韩睿之,程鑫.基于可变形卷积神经网络的数字仪表识别方法[J].计算机科学,2020,47(10):187-193.

　　[2]仝梦园,金守峰,陈阳,等.改进卷积神经网络的手写试卷分数识别方法[J].西安工程大学学报,2020,34(4):80-85.

　　[3]袁建国,赵富强,覃陆祯玥,等.基于星座图对射频指纹识别方法的研究[J].半导体光电,2020,41(4):592-597.

　　[4]孙文赟,宋昱,陈昌盛.基于卷积-反卷积网络的正交人脸特征学习算法[J].深圳大学学报(理工版),2020,37(5):474-481.

　　作者：李小玄1，董雷1，2

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/28318.html