基于深度學習的消防器材自動識別研究

　　摘要：在智慧消防城市救援平臺項目中，定位建筑內消防器材位置的前提是準確識別建筑圖紙上消防器材圖標，只有精準地識別建筑圖紙上的消防器材，救援平臺才能為消防救援行動提供有效支撐。針對手動錄入建筑樓層消防信息效率低下的問題，文中提出了一種在darknet框架下利用YOLOv3算法來實現的基于深度學習的消防器材自動識別方案。通過收集數據集，下載預訓練文件，使用YOLOv3算法進行自訓練的方法，達到在消防器材圖標數量和種類眾多的建筑圖紙上實現對消防器材圖標準確識別與位置輸出的目的。實驗結果表明，消防器材自動識別方案能顯著提高智慧消防城市救援平臺項目中建筑圖紙上消防器材圖標錄入的效率，具有很強的可靠性。

　　關鍵詞：目標檢測;計算機視覺;YOLOv3;卷積神經網絡;深度學習

　　近年來，城市中的安全隱患日益增多，各類災害事故呈現出風險高、危害大的特點。安全隱患日益增多的主要原因是城市規模不斷擴大導致的人口 大量聚集，因此社會公共安全需求日益倍增。隨著城市化進程的持續進行，城市高層、地下、商業綜合體、地鐵、隧道等建筑發展迅猛，導致公安消防局現役防滅火力量嚴重不足，消防官兵長期疲勞作戰，火災防控壓力巨大。國務院《促進大數據發展行動綱要》(2015)中指出要推動智慧消防城市救援平臺的建設和發展。“要深入推進消防信息化建設，積極建設‘智慧消防’”是2017年1月全國消防工作會議上中央政法委書記郭聲琨強調的重點。

　　深度學習論文范例：基于深度學習的熒光顯微成像技術及應用

　　在此背景下智慧消防城市救援平臺項目應運而生，利用圖像識別技術對建筑圖紙上的消防器材圖標進行定位識別，能更好地發揮智慧消防城市救援平臺的作用。目前國內圖像識別的研究方向大多是關于數字識別的，如對數字儀表[1]、試卷答題卡[2]、手寫試卷分數的識別;射頻指紋識別的研究[3]。

　　人臉識別算法如正交人臉特征學習算法[4]、二階段性別分類算法[5];車牌識別如依賴邊緣特征的車牌識別[6]，算法如色彩遷移與正則化約束去霧算法[7];農產品蟲害如玉米螟蟲害的圖像識別方法[8]，圖像識別中儲糧害蟲的特征提取[9];缺陷檢測如游樂設施焊縫缺陷檢測[10]，鈑金件表面缺陷檢測[11]以及醫用病理如腹膜腔脫落細胞病理圖像識別[12]等方面，但對于消防方面深度學習的應用較少。應用方向多是對于依賴卷積神經網絡的煙霧識別來識別森林火災[13]，通過讀取視頻圖像來進行煙霧識別[14]，識別方法上多是對于生成對抗網絡和卷積神經網絡[15]、顏色統計特征和小波變換方法[16]的對比研究，用在建筑圖紙上消防器材的處理與識別目前較少。

　　1YOLOv3的原理

　　YOLO算法的基本思想可以通過一個例子來理解。例如輸入一張64×64的圖片，YOLO算法會將輸入的圖片用網格分成64×64的單元格，如果單元格和真實檢測框中目標的中心坐標重合，就由這個單元格來預測目標。YOLOv3算法中每個目標都擁有3個對應的邊界框來定位，YOLOv3算法就是使用邏輯回歸的辦法來確定在三個邊界框的回歸框。所以說YOLO是一種endtoend的目標檢測模型。

　　1.1YOLOv3的結構

　　池化層和全連接層不包含于YOLOv3的整個結構中。Darknet-53網絡是YOLOv3主干結構，同時全卷積的結構是YOLOv3所有預測支路所采用的結構。可以看出YOLOv3的基本組件是DBL。BatchNormalization(BN)和LeakyReluDarknet緊跟在Darknet的卷積層后。在YOLOv3中除最后一層卷積層外，最小組件由BN和LeakyRelu共同構成，而最小組件已經是卷積層不可分離的一部分。

　　5個resn結構分別為res1、res2、…、res8，其組成了YOLOv3的主干網絡。resn結構中的n代表數字，表示由n個res_unit組成了res_block，YOLOv3的大組件就由resn結構組成。YOLOv3和YOLOv2的區別在于后者沒有殘差結構，YOLOv3借鑒了ResNet的殘差結構使得YOLOv2的Darknet-19改進為YOLOv3的Darknet-53。YOLOv3網絡結構更深，就是因為使用了這種殘差結構。

　　1.2特征提取網絡Darknet-53

　　(Backbone)YOLOv3算法使用的特征提取網絡是一個由殘差單元疊加而成的53層的卷積網絡。JosephRedmon的實驗證實了，YOLOv3算法中的Darknet53模型很好地平衡了識別目標物體的效率和準確度。YOLOv3追求精度的同時保證了實時性(fps>60)，而不是盲目的追求效率。YOLOv3算法要進行5次尺寸變換。

　　1.3損失函數

　　損失函數(LossFunction)是掌握YOLO的重要關鍵。YOLO系列文獻里面只有YOLOv1明確提到了損失函數的公式，所用的損失函數并沒有在YOLOv3的文獻里明確提出。sum-squareerror的損失計算方法是YOLO系列文獻中唯一提到損失函數公式。畫出LossFunction曲線需要獲取(xi,yi)、(wi,hi)、class、Confidence這四個參數。損失函數應該由四類不同的關鍵信息各自確定。LossFunction因此可以作為衡量模型訓練成果的標準。

　　2數據集訓練

　　步驟一，權重下載。從官方網站上下載權重數據放到YOLOv3算法程序的主目錄下，然后使用主目錄下的conver.py文件進行轉換，命令如下：Pythonconvert,py-wyolov3.cfgyolov3.weightsmodel_data/yolo_weights.h5就能得到權重文件。最后權重文件放在model_data文件夾里。

　　步驟二，生成訓練文件。訓練文件每一行對應著一個樣本圖片，代碼的開頭是圖片的路徑，后面是對應目標的4個參數坐標。步驟三，修改YOLOv3.cfg。有三處需要修改的代碼，Classes對應的YOLOv3.cfg是數據集的類別，filters的數值需要通過計算公式filters=(5+classes)*3來計算。步驟四，利用k-means.py生成一個先驗框。先驗框的作用就是在沒開始訓練之前決定模型需要檢測的物體的大小，然后模型可以再利用邊界框對回歸框進行調整。

　　步驟五，修改yolo_classes.txt文件。這個yolo_classes.txt上顯示的就是項目要識別的類別和對應的名稱。本項目有4種需要識別的器材，分別為煙感、溫感、手報(手動報警裝置)、消報(消火栓)，因為預訓權重練文件只能識別英文，所以該文用yangan、wengan、shoubao、xiaobao的拼音來代表4種不同的消防器材。

　　3實驗結果

　　使用Python調用經過以上的步驟訓練出來的權重文件，對建筑圖紙上的四類消防器材圖標分別進行識別。本次實驗說明了，利用YOLOv3算法進行自訓練的方法來實現消防器材的自動識別是切實可行的，模型識別效果良好，達成了該文的研究目的，能提高智慧消防城市救援平臺數據錄入工作的效率。

　　4結束語

　　為完成建筑圖紙上消防器材圖標的識別工作，文中使用了深度學習方面的相關知識。基于Python語言，使用基于Darknet框架中的YOLOv3算法對數據集的多次訓練，使得該文的研究方案能同時識別4種不同的建筑圖標，識別結果在準確性和高效性方面顯得極為突出。調用訓練好的權重文件對建筑圖紙上的消防器材圖標進行識別，并輸出其位置坐標，最終實現了對建筑器材消防圖紙上消防器材圖標的自動識別研究，為后續城市智慧安防平臺的建筑圖紙信息錄入工作，指揮調度系統在火災消防行動中開展精準的指揮工作奠定了基礎。

　　參考文獻：

　　[1]郭蘭英,韓睿之,程鑫.基于可變形卷積神經網絡的數字儀表識別方法[J].計算機科學,2020,47(10):187-193.

　　[2]仝夢園,金守峰,陳陽,等.改進卷積神經網絡的手寫試卷分數識別方法[J].西安工程大學學報,2020,34(4):80-85.

　　[3]袁建國,趙富強,覃陸禎玥,等.基于星座圖對射頻指紋識別方法的研究[J].半導體光電,2020,41(4):592-597.

　　[4]孫文赟,宋昱,陳昌盛.基于卷積-反卷積網絡的正交人臉特征學習算法[J].深圳大學學報(理工版),2020,37(5):474-481.

　　作者：李小玄1，董雷1，2

轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/28318.html