基于改進(jìn)YOLOV5的火焰檢測(cè)算法

王洪義，孔梅梅，徐榮青

（南京郵電大學(xué)電子與光學(xué)工程學(xué)院、微電子學(xué)院,江蘇 南京 210023）

0 引 言

近年來，火災(zāi)發(fā)生頻率越來越高，且火災(zāi)的發(fā)生往往伴隨著一定程度的人員傷亡、環(huán)境破壞以及財(cái)產(chǎn)損失。為了避免火災(zāi)事故帶來的危害，應(yīng)在火焰產(chǎn)生的初期階段對(duì)火焰進(jìn)行準(zhǔn)確快速的檢測(cè)，這不僅有利于及時(shí)控制火情，還可有效降低火災(zāi)造成的惡劣影響。

鑒于火焰檢測(cè)的重要性，人們已對(duì)火焰檢測(cè)方法進(jìn)行了廣泛的研究。目前，有基于人工定義火焰特征和基于卷積神經(jīng)網(wǎng)絡(luò)2 種檢測(cè)方法?；谌斯ざx火焰特征的檢測(cè)方法，由于多數(shù)火焰目標(biāo)較小以及陽(yáng)光、燈光等與火焰顏色相似，因此該方法的檢測(cè)平均精度低、小目標(biāo)火焰漏檢率高。人們使用將火焰的YUV顏色模型、形狀和運(yùn)動(dòng)特征相結(jié)合的方法［1］和將RGB 顏色模型與ViBe 背景提取算法相結(jié)合的方法［2］來提高基于人工定義火焰特征檢測(cè)方法的效果，但效果仍不理想。卷積神經(jīng)網(wǎng)絡(luò)具有較好的自主學(xué)習(xí)性、容錯(cuò)性以及較快的速度［3］，常用于圖像的識(shí)別和分類?，F(xiàn)今，用于火焰檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)有CNN［4］、Faster RCNN［5］和YOLO［6］系列。其中，YOLO 系列相比于其他卷積神經(jīng)網(wǎng)絡(luò)而言，能夠較好地提取圖像的全局信息，且可以進(jìn)行端到端的訓(xùn)練，用在火焰檢測(cè)中更具優(yōu)勢(shì)。YOLOV5［7］是目前最新的卷積神經(jīng)網(wǎng)絡(luò)，相較于其他YOLO 系列，YOLOV5 具有更快的速度和更高的平均精度。Dai 等［8］使用MobileNet 網(wǎng)絡(luò)替 換YOLOV3 的 主 干 網(wǎng) 絡(luò)。趙 媛 媛 等［9］在 原YOLOV3 的基礎(chǔ)上增加了第四層檢測(cè)層。但以上2種改進(jìn)方法的火焰檢測(cè)平均精度低、小目標(biāo)火焰漏檢率高，不能滿足火焰檢測(cè)的要求。

為了解決火焰檢測(cè)平均精度低、小目標(biāo)漏檢率高的問題，本文提出一種改進(jìn)YOLOV5 的火焰檢測(cè)算法。使用Transformer Encode［10］模塊代替原網(wǎng)絡(luò)中的部分卷積模塊，提升網(wǎng)絡(luò)提取不同局部特征的能力，提高火焰檢測(cè)的平均精度。在YOLOV5 的主干網(wǎng)絡(luò)和檢測(cè)頭中添加CBAM（Convolutional Block Attention Module）［11］注意力模塊，提升網(wǎng)絡(luò)檢測(cè)小目標(biāo)的能力，降低火焰檢測(cè)的小目標(biāo)漏檢率。

1 改進(jìn)YOLOV5算法

1.1 YOLOV5算法簡(jiǎn)介

YOLOV5 算法由Ultralytics LLC 公司于2020 年5月份提出［7］，其圖像推理速度比Faster RCNN［12］、YOLOV3［13］和YOLOV4［7］算法都要快，可達(dá)到140 幀/s［7］。YOLOV5 分 別 使 用CSPDarknrt53 作 為 主 干 網(wǎng)絡(luò)、PANet［15］作為頸部和YOLO 檢測(cè)頭［16］作為檢測(cè)頭，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOV5網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 本文算法

本文使用Transformer Encode 模塊和CBAM 模塊改進(jìn)原來的YOLOV5網(wǎng)絡(luò)，不僅提高了火焰檢測(cè)的平均精度，還降低了小目標(biāo)火焰的漏檢率。改進(jìn)YOLOV5網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)YOLOV5網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 Transformer Encode

Transformer 模塊是谷歌公司于2017 年提出的一種簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其由Transformer Encode 和Transformer Decode 這2 部分組成［10］，最初用于文本的識(shí)別。2020 年谷歌公司將Transformer Encode 模塊用于圖像識(shí)別［17］。Transformer Encode 由Embedded Patches、Multi-Head Attention、Add 和Feed Forward這4部分組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 Transformer Encode結(jié)構(gòu)圖

在Transformer Encode 模塊中，首先將輸入的圖像進(jìn)行Embedded Patches，得到一維的向量，然后通過Multi-Head Attention 和Add 得到全局自注意力特征圖，最后通過Feed Forward 和Add 獲得Transformer Encode的輸出。其中，Embedded Patches的作用是對(duì)輸入的圖像進(jìn)行分割和位置編碼［17］。位置編碼不僅考慮圖像的內(nèi)容信息，而且考慮不同位置的要素之間的相對(duì)距離，有效地關(guān)聯(lián)了物體之間的信息與位置［18］。Multi-Head Attention 的作用是不僅可以注意當(dāng)前像素點(diǎn)的信息，還可以更好地獲取上下文語義信息［19］。Add 的作用是使輸入圖像從低層直接傳播到高層，一定程度上解決了網(wǎng)絡(luò)退化的問題［20］。Feed Forward的作用是防止模型輸出的退化［21］。

Multi-Head Attention 是Transformer Encode的重要組成部分，其結(jié)構(gòu)如圖4所示。

圖4 Multi-Head Attention 結(jié)構(gòu)圖

首先，Transformer Encode 的輸入矩陣通過3 個(gè)不同權(quán)重的變化矩陣得到的查詢矩陣Q，鍵值矩陣K和值矩陣V，然后通過點(diǎn)積注意力，計(jì)算自注意力特征圖，計(jì)算公式如式（1）所示。多個(gè)獨(dú)立的頭部可以關(guān)注不同的全局和局部信息。多頭注意力是通過多組變換矩陣和公式（1）獲得多個(gè)相互獨(dú)立的注意力特征圖，最后通過拼接得到多頭注意力圖［22］，計(jì)算公式如式（2）所示。

其中，dk是矩陣Q、K的列數(shù)，softmax 是激活函數(shù)，W0、WiQ、WiK、WiV是線性變換時(shí)的參數(shù)矩陣。

Feed Forward 網(wǎng)絡(luò)由2 個(gè)線性變換函數(shù)和1 個(gè)ReLU 激活函數(shù)構(gòu)成，F(xiàn)eed Forward 網(wǎng)絡(luò)操作函數(shù)（FFN）的計(jì)算公式如下：

其中，W1和W2表示權(quán)值矩陣，b1和b2表示偏置項(xiàng)，x表示Feed Forward網(wǎng)絡(luò)的輸入，max表示取最大值［23］。

相比于原YOLOV5 網(wǎng)絡(luò)中的CSP bottleneck 模塊，Transformer Encode 模塊能夠捕獲全局信息和豐富的上下文信息。本文使用Transformer Encode 模塊代替原YOLOV5 主干網(wǎng)絡(luò)末端的CSP bottleneck 模塊，增強(qiáng)了卷積神經(jīng)網(wǎng)絡(luò)捕獲不同局部信息的能力，提高了火焰檢測(cè)的平均精度。

1.4 CBAM注意力

CBAM（Convolutional Block Attention Module）［24］是一個(gè)簡(jiǎn)單有效的注意力模塊，可以集成到任何卷積神經(jīng)網(wǎng)絡(luò)中，并且可以與基本網(wǎng)絡(luò)端到端地進(jìn)行訓(xùn)練［25］。注意力模塊由通道注意力和空間注意力2 個(gè)子模塊組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 CBAM網(wǎng)絡(luò)結(jié)構(gòu)圖

通道注意力主要關(guān)注圖像中的目標(biāo)，而空間注意力則主要關(guān)注圖像中目標(biāo)的位置信息［26］。CBAM 模塊對(duì)于任意給定的特征圖輸入F∈RC×H×W進(jìn)行通道注意力運(yùn)算和空間注意力運(yùn)算。首先對(duì)輸入特征圖按通道數(shù)分別進(jìn)行最大值池化和均值池化，池化后的2個(gè)一維向量共享一個(gè)全連接層，將全連接層輸出的2個(gè)特征圖按元素相加，使用Sigmoid 函數(shù)進(jìn)行歸一化處理，生成通道注意力圖MC∈RC×1×1，再將MC與輸入特征圖按元素相乘，獲得通道注意力調(diào)整后的特征圖F′［27］。其次將F′按空間進(jìn)行最大值池化和均值池化，將2 個(gè)池化生成的二維向量拼接后進(jìn)行卷積操作［27］，從而生成空間注意力圖MS∈R1×H×W，再將MS與F′按元素相乘得到CBAM 的最終輸出特征圖F″。CBAM總體運(yùn)算過程可描述為：

其中 表示按元素相乘。

CBAM 模塊不僅能夠關(guān)注圖像中的目標(biāo)，還能夠關(guān)注圖像中目標(biāo)的位置。在原YOLOV5 網(wǎng)絡(luò)中增加CBAM 注意力模塊，能夠增強(qiáng)網(wǎng)絡(luò)提取圖像特征的能力，對(duì)于小目標(biāo)火焰能夠較好地提取特征，可降低小目標(biāo)火焰的漏檢率。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)基于Win10操作系統(tǒng)，顯卡為1塊16 GB NVIDIA Tesla P100，內(nèi)存為125 GB。采用PyTorch深度學(xué)習(xí)框架和Python語言搭建YOLOV5網(wǎng)絡(luò)模型。

2.2 實(shí)驗(yàn)數(shù)據(jù)集

本文的實(shí)驗(yàn)數(shù)據(jù)集包括公開數(shù)據(jù)集BoWFire、Bilkent 大學(xué)公開火焰視頻庫(kù)和互聯(lián)網(wǎng)下載的火焰圖片，涵蓋室內(nèi)、森林、城市建筑和工廠等多種場(chǎng)景，共3038 幅。實(shí)驗(yàn)中的訓(xùn)練集、驗(yàn)證集、測(cè)試集和小目標(biāo)火焰測(cè)試集劃分如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集

2.3 實(shí)驗(yàn)結(jié)果分析

本文評(píng)估指標(biāo)采用平均精度（AP）、每秒鐘檢測(cè)圖片張數(shù)（FPS）和小目標(biāo)漏檢率等較為常見的評(píng)價(jià)指標(biāo)來評(píng)估本文算法的性能，其中平均精度計(jì)算公式為［28］：

式（6）中，TP 為火焰目標(biāo)被正確檢測(cè)的圖像數(shù)量；FP 為非火焰目標(biāo)被檢測(cè)為火焰的圖像數(shù)量；FN為火焰目標(biāo)被漏檢的圖像數(shù)量。

2.3.1 AP和FPS分析

本次實(shí)驗(yàn)使用改進(jìn)YOLOV5火焰檢測(cè)算法，分別與目前使用較多的Faster RCNN、YOLOV3、YOLOV4和YOLOV5 等火焰檢測(cè)算法在同一測(cè)試集上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2所示。

表2 火焰檢測(cè)結(jié)果

由表2 分析可知，使用CBAM 注意力和Transform Encode 進(jìn)行改進(jìn)的YOLOV5算法相比于原YOLOV5、YOLOV4、YOLOV3 和Faster RCNN 等火焰檢測(cè)算法，平均精度分別提升了2.4 個(gè)百分點(diǎn)、2.2 個(gè)百分點(diǎn)、8.1個(gè)百分點(diǎn)和22.4 個(gè)百分點(diǎn)。改進(jìn)后的YOLOV5 算法FPS 仍高于YOLOV4、YOLOV3 和Faster RCNN 等火焰檢測(cè)算法，達(dá)到34 幀/s，能夠滿足火焰檢測(cè)的實(shí)時(shí)性要求。火焰檢測(cè)部分結(jié)果如圖6所示。

圖6 改進(jìn)YOLOV5算法檢測(cè)結(jié)果

2.3.2 小目標(biāo)漏檢率分析

為了進(jìn)一步驗(yàn)證基于改進(jìn)YOLOV5 算法的火焰識(shí)別的有效性，本文使用以上5 種算法在500 幅小目標(biāo)火焰圖像上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

表3 小目標(biāo)火焰檢測(cè)結(jié)果

由表3 分析可知，使用CBAM 注意力和Transform Encode 進(jìn)行改進(jìn)的YOLOV5 算法相比于原YOLOV5、YOLOV4、YOLOV3 和Faster RCNN 等火焰檢測(cè)算法，小目標(biāo)漏檢率分別降低了4.1個(gè)百分點(diǎn)、2.7個(gè)百分點(diǎn)、5.5個(gè)百分點(diǎn)和0.4個(gè)百分點(diǎn)。小目標(biāo)火焰部分實(shí)驗(yàn)結(jié)果如圖7所示。從圖7中可以看出改進(jìn)后的YOLOV5算法對(duì)小目標(biāo)火焰有較好的檢測(cè)能力。

圖7 小目標(biāo)火焰檢測(cè)結(jié)果

2.4 消融實(shí)驗(yàn)

本文通過構(gòu)建消融實(shí)驗(yàn)來逐步探索CBAM 注意力和Transform Encode 對(duì)原YOLOV5 算法的影響。使用數(shù)據(jù)集中的測(cè)試集和小目標(biāo)火焰測(cè)試集作為本次實(shí)驗(yàn)的圖像數(shù)據(jù)，實(shí)驗(yàn)結(jié)果如表4所示。

表4 消融實(shí)驗(yàn)結(jié)果

由表4 分析可知，CBAM 注意力和Transform Encode 對(duì)原YOLOV5 網(wǎng)絡(luò)的檢測(cè)能力有較大的提升。CBAM 注意力使原網(wǎng)絡(luò)的小目標(biāo)漏檢率降低了3.9 個(gè)百分點(diǎn)，增強(qiáng)了原網(wǎng)絡(luò)對(duì)小目標(biāo)的檢測(cè)能力。Transform Encode 使原網(wǎng)絡(luò)的平均精度提升了1.7 個(gè)百分點(diǎn)，提升了原網(wǎng)絡(luò)提取圖像特征的能力。

實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)的YOLOV5火焰檢測(cè)算法能夠?qū)Ω鞣N場(chǎng)景下的火焰目標(biāo)和小目標(biāo)火焰進(jìn)行有效的檢測(cè)，具有檢測(cè)平均精度高、漏檢率低等優(yōu)點(diǎn)。

3 結(jié)束語

本文使用Transform Encode 模塊和CBAM 注意力模塊改進(jìn)YOLOV5火焰檢測(cè)算法，增加了網(wǎng)絡(luò)捕獲不同局部信息和提取圖像特征的能力。相比于原YOLOV5、YOLOV4、YOLOV3 和Faster RCNN 等火焰檢測(cè)算法，改進(jìn)后的YOLOV5算法具有較高的火焰檢測(cè)精度，其精度可達(dá)83.9%，同時(shí)具有較低的小目標(biāo)火焰漏檢率，僅為1.6%。另外，F(xiàn)PS可達(dá)34幀/s，滿足火焰檢測(cè)的實(shí)時(shí)性要求。