(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211099669.1 (22)申请日 2022.09.09 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 张登银　李旭　金小飞　陆松浩　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 陈钱瑾 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/82(2022.01) G06V 10/56(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种轻量化的火灾烟雾检测方法、 终端设备 及存储介质 (57)摘要 本发明公开了一种轻量化的火灾烟雾检测 方法、 终端设备及存储介质， 属于烟雾检测技术 领域， 主要基于混合高斯模型和YUV颜色模型相 结合， 筛选出类似烟雾的前景， 并调用改进的 yolo算法对类似烟雾的前景进行进 一步筛选， 将 网络YOLOv5s的Backbone主干网络替换为参数更 少的Mobilenetv3的主干网络进行特征提取， 在 mobile‑yolov5的主干网络中添加了SE注意力机 制， 引入了ACON激活函数以取代YOLOv5的Leaky   ReLU激活函数， 形成ACON ‑CSP模块进行特征提 取， 本发明利用混合高斯和YUV相结合对烟雾前 景进行提取来进行预处理， 预处理阶段排除静态 干扰、 非烟雾颜色干扰的同时， 缩小烟雾检测的 范围； 在保证了相对精度的同时， 提升了检测的 速度， 为户外计算机较低的终端设备进行火灾烟 雾检测提供了一种可能的方法。 权利要求书2页 说明书8页 附图4页 CN 115393774 A 2022.11.25 CN 115393774 A 1.一种轻量 化的火灾烟雾检测方法， 其特 征在于， 包括以下步骤： 获取视频图像； 基于混合高斯模型和YUV颜色模型相结合， 筛 选出类似烟雾的前 景； 调用改进的yo lo算法对所述类似烟雾的前 景进行进一 步筛选； 预测每帧图像中烟雾的具体位置和范围， 完成烟雾检测过程。 2.根据权利要求1所述的火灾烟雾检测方法， 其特征在于， 基于混合高斯模型和YUV颜 色模型相结合， 筛 选出类似烟雾的前 景具体包括： 利用混合高斯 算法对视频每帧进行像素匹配， 得到相应的静态背景和动态前 景； 对动态前景的面积增长率进行判断， 若所述面积增长率大于0， 则按照YUV颜色模型对 动态前景再次进行提取， 得到粗筛选后的烟雾前景最终框定出视频烟雾的具体位置和范 围。 3.根据权利要求2所述的火灾烟雾检测方法， 其特征在于， 所述利用混合高斯算法对视 频每帧进行像素匹配中， 高斯分布概 率密度函数加权和公式为： 其中， xt为当前帧像 素点， k为高斯模型总数， wi,t为t时刻第i个高斯分布的权重， η为t时 刻第i个高斯分布的概率密度函数， μi,t和 τi,t为其均值与协方差矩阵， 为方差， I为三维 单位矩阵。 4.根据权利要求3所述的火灾烟雾检测方法， 其特征在于， 还包括将当前帧的像素与设 定好的混合高斯模型一 一匹配， 直到找到与之相适应的高斯模型， 如下式所示： |xt‑μi,t‑1|≤D·σi,t‑1      (1‑2) 其中， D为置信参数， σi,t‑1为t‑1时刻第i个高斯分布的标准差； 若某一高斯分布与像素匹配成功， 则置1， 并对高斯模型中的参数进行更新， 如下式所 示： 其中α 为学习速率， ρ ＝α ·η为参数的更新速率； 若不匹配， 则保持该高斯 分布参数中的均值 μi,t与方差 不变， 只对权重wi,t做出修改， 此时Mi,t为0， 当k个高斯分布中无一与像素点匹配时， 则创建新的高斯分布 来取代原有分布 中权值较小的高斯分布， 并进行参数的归一 化处理； 将xt与所得的B个高斯模型匹配， 当某一模型满足该像素点需要 时， 则视该像素点为背 景， 否则属于前 景， 如下式所示：权　利　要　求　书 1/2 页 2 CN 115393774 A 2其中， b为初始参数， T为预设定阈值。 5.根据权利要求2所述的火灾烟雾检测方法， 其特征在于， 所述按照YUV颜色模型对动 态前景再次进行提取中， RGB颜色空间转换到 YUV颜色空间的公式如下： 其中Y、 色度分量U和V取值范围均为0 ‑255； 且满足以下公式的区域判断为类似烟雾区域： 式中U(x,y)和V(x,y)分别是点(x,y)的U分量和V分量。 6.根据权利要求1所述的火灾烟雾检测方法， 其特征在于， 所述调用改进的yolo算法对 所述类似烟雾的前 景进行进一 步筛选具体包括： 提取烟雾特征 时,把预处理后的烟雾数据集作为模型的输入， 在mobile ‑yolov5模型中 进行反复训练和调整参数， 最后生成表征烟雾特征 的权重， 并在粗筛选得到的烟雾前景中 进行调用， 对烟雾区域进行二次细筛 选。 7.根据权利 要求6所述的火灾烟雾检测方法， 其特征在于， 所述mobile ‑yolov模型中将 YOLOv5s的Backbone主干网络替换为Mobilenetv3的主干网络， 且在 mobile‑yolov5的主干 网络中添加SE注意力机制。 8.根据权利要求7所述的火灾烟雾检测方法， 其特征在于， 还包括引入ACON激活函数以 取代YOLOv5的Leaky  ReLU激活函数， 形成ACON ‑CSP模块进行 特征提取。 9.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8 任一项所述的方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至8任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115393774 A 3