基于高效全局上下文网络的轻量级烟火检测算法

魏伦胜; 徐望明; 张景元; 陈彬

doi:10.37188/CJLCD.2022-0184

您当前的位置：

首页 >

文章列表页 >

基于高效全局上下文网络的轻量级烟火检测算法

图像处理 | 更新时间：2023-03-15

- 基于高效全局上下文网络的轻量级烟火检测算法
- Lightweight smoke and fire detection algorithm based on efficient global context network
- 液晶与显示 2023年38卷第1期页码：118-127
- 作者机构：
  
  1.武汉科技大学信息科学与工程学院，湖北武汉 430081
  2.武汉科技大学教育部冶金自动化与检测技术工程研究中心，湖北武汉 430081
- 作者简介：
  
  [ "魏伦胜（1997—），男，河南信阳人，硕士研究生，2020年于郑州工商学院获得学士学位，主要从事图像处理、目标检测、深度学习等方面的研究。E-mail： 923548906@qq.com" ]
  [ "徐望明（1979—），男，湖北武汉人，博士，高级工程师，正高级实验师，2013年于武汉科技大学大学获得博士学位，主要从事图像处理与模式识别等方面的研究。E-mail：xuwangming@wust.edu.cn" ]
- 基金信息：
  
  国家自然科学基金(51805386);教育部冶金自动化与检测技术工程研究中心开放课题(MADTOF2021B02);湖北省教育厅科研计划(D20191104)
- DOI：10.37188/CJLCD.2022-0184
  中图分类号：
扫描看全文
魏伦胜, 徐望明, 张景元, 等. 基于高效全局上下文网络的轻量级烟火检测算法[J]. 液晶与显示, 2023,38(1):118-127.

WEI Lun-sheng, XU Wang-ming, ZHANG Jing-yuan, et al. Lightweight smoke and fire detection algorithm based on efficient global context network[J]. Chinese Journal of Liquid Crystals and Displays, 2023,38(1):118-127.
魏伦胜, 徐望明, 张景元, 等. 基于高效全局上下文网络的轻量级烟火检测算法[J]. 液晶与显示, 2023,38(1):118-127. DOI： 10.37188/CJLCD.2022-0184.

WEI Lun-sheng, XU Wang-ming, ZHANG Jing-yuan, et al. Lightweight smoke and fire detection algorithm based on efficient global context network[J]. Chinese Journal of Liquid Crystals and Displays, 2023,38(1):118-127. DOI： 10.37188/CJLCD.2022-0184.

摘要

针对现有烟火检测算法存在的漏检和误检问题，提出一种基于高效全局上下文网络（EGC-Net）的轻量级烟火检测新算法。该算法以轻量级目标检测网络YOLOX为基础网络，将改进的EGC-Net嵌入到YOLOX的主干特征提取网络与特征金字塔网络之间。EGC-Net由上下文建模、特征转换和特征融合3阶段结构组成，用于获得图像的全局上下文信息，建模烟火目标与其背景信息的远程依赖关系，并结合通道注意力机制学习更具判别力的视觉特征用于烟火检测。实验结果表明，本文提出的EGC-YOLOX烟火检测算法的图像级召回率为95.56%，图像级误报率为4.75%，均优于对比的其他典型轻量级算法，且速度满足实时检测的要求。该算法可在安防和消防领域推广，用于实时火灾监控和预警管理。

Abstract

Aiming at the problems of missing and false detection in existing smoke and fire detection algorithms， a new lightweight algorithm based on Effective Global Context Network （EGC-Net） is proposed. It takes the lightweight object detection network YOLOX as the basic network， and embeds an improved EGC-Net between the backbone feature extraction network and feature pyramid network of YOLOX. EGC-Net is composed of a three-stage structure of context modeling， feature transformation and feature fusion， which is used to obtain the global context information of image， model the long-range dependency of smoke or fire objects and its background， and learn more discriminative visual features by combining the channel attention mechanism for smoke and fire detection. Experimental results indicate that the image-level recall rate of the proposed smoke and fire detection algorithm EGC-YOLOX is 95.56%， and the image-level false alarm rate is 4.75%， both of which are superior to the compared typical lightweight algorithms， and the speed also meets the requirements of real-time detection. The proposed algorithm can be promoted and applied to the field of security and fire protection for real-time fire monitoring and early warning management.

关键词

烟火检测EGC-NetYOLOX全局上下文注意力机制

Keywords

smoke and fire detectionEGC-NetYOLOXglobal contextattention mechanism

references

WANG S， XIAO X， DENG T， et al. A Sauter mean diameter sensor for fire smoke detection ［J］. Sensors and Actuators B： Chemical， 2019， 281： 920-932. doi: 10.1016/j.snb.2018.11.021http://dx.doi.org/10.1016/j.snb.2018.11.021

党敬民，于海业，宋芳，等.应用于早期火灾探测的CO传感器［J］.光学精密工程，2018，26（8）：1876-1881． doi: 10.3788/ope.20182608.1876http://dx.doi.org/10.3788/ope.20182608.1876

DANG J M， YU H Y， SONG F， et al. Development of a CO sensor for early fire detection ［J］. Optics and Precision Engineering， 2018， 26（8）： 1876-1881. （in Chinese）. doi: 10.3788/ope.20182608.1876http://dx.doi.org/10.3788/ope.20182608.1876

CHEN T H， WU P H， CHIOU Y C. An early fire-detection method based on image processing ［C］//2004 International Conference on Image Processing （ICIP'04） Singapore： IEEE， 2004： 1707-1710. doi: 10.1109/icip.2004.1419394http://dx.doi.org/10.1109/icip.2004.1419394

ÇELIK T， DEMIREL H. Fire detection in video sequences using a generic color model ［J］. Fire Safety Journal， 2009， 44（2）： 147-158. doi: 10.1016/j.firesaf.2008.05.005http://dx.doi.org/10.1016/j.firesaf.2008.05.005

RAFIEE A， DIANAT R， JAMSHIDI M， et al. Fire and smoke detection using wavelet analysis and disorder characteristics ［C］//2011 3rd International Conference on Computer Research and Development. Shanghai： IEEE， 2011： 262-265. doi: 10.1109/iccrd.2011.5764295http://dx.doi.org/10.1109/iccrd.2011.5764295

WU X H， LU X B， LEUNG H. An adaptive threshold deep learning method for fire and smoke detection ［C］//2017 IEEE International Conference on Systems， Man， and Cybernetics （SMC）. Banff： IEEE， 2017： 1954-1959. doi: 10.1109/smc.2017.8122904http://dx.doi.org/10.1109/smc.2017.8122904

WU S X， ZHANG L B. Using popular object detection methods for real time forest fire detection ［C］//2018 11th International Symposium on Computational Intelligence and Design （ISCID）. Hangzhou： IEEE， 2018： 280-284. doi: 10.1109/iscid.2018.00070http://dx.doi.org/10.1109/iscid.2018.00070

REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks ［C］//Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal： MIT Press， 2015： 91-99.

REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection ［C］//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas： IEEE， 2016： 779-788. doi: 10.1109/cvpr.2016.91http://dx.doi.org/10.1109/cvpr.2016.91

REDMON J， FARHADI A. YOLO9000： better， faster， stronger ［C］//Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu： IEEE， 2017： 6517-6525. doi: 10.1109/cvpr.2017.690http://dx.doi.org/10.1109/cvpr.2017.690

REDMON J， FARHADI A. YOLOv3： an incremental improvement ［J］. arXiv， 2018：1804.02767. doi: 10.1109/cvpr.2017.690http://dx.doi.org/10.1109/cvpr.2017.690

BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection ［J］. arXiv 2020：2004.10934.

LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot MultiBox detector ［C］//Proceedings of the 14th European Conference on Computer Vision. Amsterdam： Springer， 2016： 21-37. doi: 10.1007/978-3-319-46448-0_2http://dx.doi.org/10.1007/978-3-319-46448-0_2

侯易呈，王慧琴，王可.改进的多尺度火焰检测方法［J］.液晶与显示，2021，36（5）：751-759． doi: 10.37188/CJLCD.2020-0221http://dx.doi.org/10.37188/CJLCD.2020-0221

HOU Y C， WANG H Q， WANG K. Improved multi-scale flame detection method ［J］. Chinese Journal of Liquid Crystals and Displays， 2021， 36（5）： 751-759. （in Chinese）. doi: 10.37188/CJLCD.2020-0221http://dx.doi.org/10.37188/CJLCD.2020-0221

WANG X L， GIRSHICK R， GUPTA A， et al. Non-local neural networks ［C］//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 7794-7803. doi: 10.1109/cvpr.2018.00813http://dx.doi.org/10.1109/cvpr.2018.00813

CAO Y， XU J R， LIN S， et al. GCNet： non-local networks meet squeeze-excitation networks and beyond ［C］//Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision Workshop. Seoul： IEEE， 2019： 1971-1980. doi: 10.1109/iccvw.2019.00246http://dx.doi.org/10.1109/iccvw.2019.00246

刘波，许廷发，李相民，等.自适应上下文感知相关滤波跟踪［J］.中国光学，2019，12（2）：265-273． doi: 10.3788/co.20191202.0265http://dx.doi.org/10.3788/co.20191202.0265

LIU B， XU T F， LI X M， et al. Adaptive context-aware correlation filter tracking ［J］. Chinese Optics， 2019， 12（2）： 265-273. （in Chinese）. doi: 10.3788/co.20191202.0265http://dx.doi.org/10.3788/co.20191202.0265

张瑞琰，姜秀杰，安军社，等.面向光学遥感目标的全局上下文检测模型设计［J］.中国光学，2020，13（6）：1302-1313． doi: 10.37188/CO.2020-0057http://dx.doi.org/10.37188/CO.2020-0057

ZHANG R Y， JIANG X J， AN J S， et al. Design of global-contextual detection model for optical remote sensing targets ［J］. Chinese Optics， 2020， 13（6）： 1302-1313. （in Chinese）. doi: 10.37188/CO.2020-0057http://dx.doi.org/10.37188/CO.2020-0057

GE Z， LIU S T， WANG F， et al. YOLOX： exceeding YOLO series in 2021 ［J］. arXiv， 2021：2107.08430.

WANG C Y， LIAO H Y M， WU Y H， et al. CSPNet： a new backbone that can enhance learning capability of CNN ［C］//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Seattle： IEEE， 2020： 1571-1580. doi: 10.1109/cvprw50498.2020.00203http://dx.doi.org/10.1109/cvprw50498.2020.00203

HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks ［C］//Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu： IEEE， 2017： 2261-2269. doi: 10.1109/cvpr.2017.243http://dx.doi.org/10.1109/cvpr.2017.243

ELFWING S， UCHIBE E， DOYA K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning ［J］. Neural Networks， 2018， 107： 3-11. doi: 10.1016/j.neunet.2017.12.012http://dx.doi.org/10.1016/j.neunet.2017.12.012

NAIR V， HINTON G E. Rectified linear units improve restricted Boltzmann machines ［C］//Proceedings of the 27th International Conference on International Conference on Machine Learning. Haifa： Omnipress， 2010： 807-814.

HE K M， ZHANG X Y， REN S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916. doi: 10.1109/tpami.2015.2389824http://dx.doi.org/10.1109/tpami.2015.2389824

GE Z， LIU S T， LI Z M， et al. OTA： optimal transport assignment for object detection ［C］//Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville： IEEE， 2021： 303-312. doi: 10.1109/cvpr46437.2021.00037http://dx.doi.org/10.1109/cvpr46437.2021.00037

WANG Q L， WU B G， ZHU P F， et al. ECA-Net： efficient channel attention for deep convolutional neural networks ［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle： IEEE， 2020： 11531-11539. doi: 10.1109/cvpr42600.2020.01155http://dx.doi.org/10.1109/cvpr42600.2020.01155

SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization ［C］//Proceedings of the 2017 IEEE International Conference on Computer Vision. Venice： IEEE， 2017： 618-626. doi: 10.1109/iccv.2017.74http://dx.doi.org/10.1109/iccv.2017.74

HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition ［C］//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas： IEEE， 2016： 770-778. doi: 10.1109/cvpr.2016.90http://dx.doi.org/10.1109/cvpr.2016.90

浏览量

131

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力机制ResNet轻量网络的面部表情识别

基于注意力机制的复杂背景下红外弱小目标检测方法研究

结合特征融合与物理校正的水下图像增强方法

基于储备池计算网络的小样本图像分类方法