详情

原文传递基于深度学习的公路隧道火灾检测研究

论文题名：	基于深度学习的公路隧道火灾检测研究
关键词：	公路隧道;火灾检测;图像处理;卷积神经网络
摘要：	公路隧道发生火灾会造成车辆和隧道结构损害，威胁人的生命安全，带来巨大的经济损失。且公路隧道火灾救援难度大，时间紧，因此及时发现隧道火灾隐患并实现预警具有重要的意义。融合深度学习火灾检测算法的轨道机器人和其它移动设备将实现隧道监测的智能化，完成对公路隧道火灾的巡检，保证火灾检测的实时性和准确性，为应急疏散和消防救援提供有力的帮助和支持。　　首先，分析了目前国内外研究学者在公路隧道火灾检测领域的一些现有的研究成果以及存在的一些检测缺陷。考虑到隧道火灾的特点及其带来的危害性，根据隧道火焰和烟雾的特征，阐述了两种视频图像实现火灾检测的方式。一是通过多种图像处理的方法实现火灾检测，通过帧差法、光流法、混合高斯模型背景减法提取运动目标区域，然后根据火焰和烟雾独特的特征将其从运动目标中分离出来，最后采用支持向量机中的SVM和Adaboost等分类器实现火焰和烟雾检测识别。二是结合深度学习中的一些卷积神经网络结构，完成公路隧道火灾检测模型的构建并实现检测，常见火灾检测网络有RNN系列、SDD网络、YOLO系列的网络结构。分析了各算法目前在火灾检测领域存在的不足，最终确定以YOLOv5网络作为基础的火灾检测网络。　　然后，在YOLOv5的四种结构中，提出一种以YOLOv5s网络为基础的改进公路隧道火灾检测模型。在特征提取网络中引入CBAM注意力机制，融合空间和通道两个维度的注意力值。将Focus模块用一个卷积层替换，同时减少BottleneckCSP中的卷积数量，并将空间金字塔池化结构SPP用SPPF替换，以此来降低网络的参数量并提高模型的检测效率。在特征检测网络原有的三个目标检测头的基础上，新增第四个160*160尺度的特征检测头，并且引入双向特征金字塔BiFPN结构，融合高低层火焰和烟雾的语义信息。为了加快模型的收敛速度并提高火灾检测的精度，在YOLOv5的损失函数中采用CIoU替换DIoU，并在置信度损失中采用Focal Loss。　　最后，以自建公路隧道火灾数据集为基础，完成了YOLOv5-IMP公路隧道火灾检测模型的训练，并验证了其在隧道火焰和烟雾的检测效果以及工业应用的可行性。针对隧道火灾的独特性，通过网上搜集、实验模拟和图像增强等手段确定了10000张火焰和烟雾图像作为公路隧道火灾检测模型YOLOv5-IMP的训练集和验证集。实验表明其在火焰和烟雾图像测试集、验证集上其精确率、召回率、mAP等检测指标都有较好的表现。文章采用了模拟火灾视频、真实隧道火灾视频进行测试，也取得了不错的检测效果。此外，分析比较了不同改进的方案、改进前后不同网络模型以及常见的几种卷积神经网络火灾检测模型的检测效果，YOLOv5-IMP在平均检测精度上达到了93.27%，每帧或每张火焰和烟雾图像检测仅需16.04ms，而检测模型的大小仅有58.8MB，综合性能优于其它算法。最后验证了公路隧道火灾检测模型YOLOv5-IMP在工业应用上的表现，开发了一个隧道机器人火灾检测系统，结合隧道巡检机器人进行了软件调试，实现了公路隧道火灾的检测、报警、抓拍等功能。
作者：	唐小垚
专业：	交通运输工程
导师：	马庆禄
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2022