基于改进YOLOv3的带式输送机巷道火灾检测方法_王伟峰.pdf

第42卷第03期2023年03月煤炭技术Coal TechnologyVol.42 No.03Mar.2023doi:10.13301/ki.ct.2023.03.0290引言我国作为世界上的煤炭生产大国，在煤炭开采过程中对矿井的安全生产具有很高的要求。国务院曾发布的安全生产规划中指出，我国安全生产的基础较为薄弱，尤其是煤炭行业仍处于事故多发前列。据统计，在2020年全国煤矿较大事故和重大事故较前1年有所减少，但带式输送机运输火灾事故发生的起数仍在前列。输送带火灾突发性强、发展迅猛、烟气蔓延较为广泛且具有一定的危害性，严重威胁到井下作业人员的安全逃生。为了消除火灾隐患减少井下灾害发生，因此输送带火灾检测方法的有效性、准确性和实时性显得尤为关键。由于传统的传感器受距离和风速等原因的影响，不能及时、准确地检测到发火态势。因此利用感温、感烟等多参数传感器的传统火灾探测方法，已经难以满足现阶段智能化矿井火灾检测的需求。近年来，伴随着YOLO检测系列算法的迅猛发展，已将其应用到火灾检测领域。赵媛媛等人通过添加更小分辨率的特征尺度来学习，并提升满足高低层特征融合能力来提高图像浅层信息的学习，但在提高小火焰目标的检测准确水基于改进 YOLOv3 的带式输送机巷道火灾检测方法*王伟峰1，任浩1，姚涵文2，张宝宝3，何地1（1.西安科技大学 安全科学与工程学院，西安710054；2.国网乐山供电公司，四川 乐山614000；3.中国石油兰州石化公司，兰州730060）摘要：随着煤矿电气化和机械化程度的提高，矿用输送带的使用在提供高效巷道运输的同时也带来了火灾隐患。针对现有火灾检测模型存在准确率低和对小火焰识别差的问题，提出一种改进的YOLOv3火灾检测算法模型。首先，为了解决火灾数据正负样本数量分布不均衡的问题，选用Focal Loss函数作为此改进模型的损失函数；其次，融合多尺度特征和注意力机制，对原始YOLOv3网络模型中的特征提取结构进行改进，通过减少卷积后处理的火焰特征缩小和边缘信息丢失，使得检测精度进一步提高；最终，经多次训练学习验证，改进后的输送带火焰检测模型平均精度93.81%，较原始YOLOv3模型提升了3.25%。关键词：YOLOv3；输送带火焰检测；注意力机制；特征融合中图分类号：TD752;TP391.41文献标志码：A文章编号：1008 8725（2023）03 155 05Belt Conveyor Roadway Fire Detection Method Based on ImprovedYOLOv3WANG Weifeng1，REN Hao1，YAO Hanwen2，ZHANG Baobao3，HE Di1（1.College of Safety Science and Engineering,Xian University of Science and Technology,Xian 710054,China;2.StateGrid Leshan Power Supply Company,Leshan 614000,China;3.Lanzhou Petrochemical Company,PetroChina,Lanzhou730060,China）Abstract:With the increase in the degree of electrification and mechanization of coal mines,the use ofmine conveyor belts provides effcient roadway transportation with also creating a fire hazard.Aiming atthe problems of low accuracy and poor identification of small flames in existing fire detection models,an improved YOLOv3 fire detection algorithm model is proposed.Firstly,in order to solve the problemof unbalanced distribution of positive and negative samples of fire data,the Focal Loss function isselected as the loss function of this improved model.Secondly,the feature extraction structure in theoriginal YOLOv3 network model is improved again by integrating multi-scale features and attentionmechanism.By reducing the output flame feature reduction and edge information loss after convolution,the detection accuracy is further improved.Finally,after repeated training and learning verification,the average accuracy of the improved conveyor belts flame detection model is 93.81%,which is 3.25%higher than the original YOLOv3 model.Key words:YOLOv3;conveyor belt flame detection;attention mechanism;feature extraction*国家重点研发计划（2021YFE0105000）；国家自然科学基金面上项目（52074213）；榆林市科技计划（CXY-2020-036）155平同时降低了检测速率。赵飞扬等人也同样是改进了多尺度融合特征结构，在融合过程中提出并优化了空间金字塔卷积集运算，虽然降低了漏检率但牺牲了响应时间。张鸿等人为了提高检测火焰位置和大小的准确率，通过扩大卷积神经网络来提高层内感受野的区域，使用更少的模型计算参数来达到更高的检测速度。结合改进的非极大值抑制算法，提高强弱火焰的分类能力，进而提高大小火焰的检测精度。Muhammad等人将GoogLeNet模型选做火灾识别的模型,对模型的结构进行改进并提高了其火焰检测模型的泛化性和鲁棒性，但检测效率低下仍无法满足视频检测的实时性。为了提高火灾检测的质量和速度，减少矿井火灾带来的危害，本文提出了一种基于YOLOv3改进的火灾检测方法，提高火灾识别精度。1YOLOv3算法模型及改进1.1YOLOv3算法模型YOLOv3是经过YOLO系列算法模型改进后的算法，新算法主要由DarkNet-53算法网络构成。目标检测的本质就是图像识别与回归，网络属于全卷积网络，每个卷积神经层之后连接批量规范化层和LeakyReLU层。YOLOv3算法对目标检测的精确度具体体现在算法输出了3种不同尺寸的输出量，即在算法结构图中的3个输出量Y1，Y2，Y3。YOLOv3算法的检测过程为先将目标划分为正方形的单元网格，若某个网格中落入了目标的中心点，则该网格就负责检测落入的目标对象。YOLOv3将预测x个候选框用于检测的单元格中，每个候选框中将赋予5个预测值，其中的4个预测值代表位置信息，1个预测值代表置信度。将划分的目标图像进行归一化处理使得特征值调整到相近的范围内，然后将特征送入下层的提取神经网络，对目标图像进行特征提取，最终输出识别分类结果，YOLOv3结构图如图1所示。1.2算法模型改进图1YOLOv3结构图1.2.1损失函数改进在YOLOv3模型中，采用多尺度特征学习输出对不同尺寸的火焰目标进行检测。但是图像中某个区域的多尺度检测加剧了正负样本数量之间的不平衡问题。在模型训练过程中，先验框通常会被标记为负样本导致正负样本比例悬殊，负样本数量影响了梯度更新的方向，计算的正确率严重下降，使得算法模型火焰检测的准确率大打折扣。本文将YOLOv3模型中的损失函数换为FocalLoss函数，该函数会改变训练中负样本的权重，使得模型梯度更新方向加以改善，使网络学习更多的特征，提高计算的正确率来使得火焰检测更为准确。在原算法中交叉熵Lce=-yln y-（1-y）ln（1-y）=-ln y，y=1-ln（1y），y=0（1）式中y真值；1正样本；0负样本；y检测值,y=01。改进后算法选择的Focal Loss函数作为损失函数FL=-y（1y）ln y-（1-）（1-y）yln（1y）=-（1y）ln y，y=1-（1-）yln（1y），y=0（2）式中平衡因子；影响因子。经以上2个损失函数对比，在改进前的公式基础上加了1个影响因子。当=0时，Focal Loss函数就为交叉熵公式。当0时，损失函数会减少易分类样本的权重，使得在模型训练时会更专注于难分类的样本。此外，加入了平衡因子，用来处理正负样本数量失衡的问题。1.2.2结合通道注意力模块的火焰特征融合结构（1）SENet注意力机制第42卷第03期基于改进YOLOv3的带式输送机巷道火灾检测方法王伟峰，等Vol.42 No.03Y35252225ConvDBLDBLDBL5ConcatRes8上采样Y22626225ConvDBLDBLDBL5ConcatRes8上采样Leakv ReLBNConvDBLY11313225ConvDBLDBLDBL5Res8Res4Res8Res2Res1DBL输入156SENet是Hu等人提出的一种新的网络模型结构，该结构会依据损失函数的迭代状况来优化不同特征权重，增大学习状况好的权重。SENet网络主要分成3个主要阶段：挤压（Squeeze）、激励（Exciation）和加权（Scale）阶段，其模型结构图如2所示。图2SENet结构图首先，在网络中将火焰特征图x进行大量的卷积处理生成特征图u，利用这些特征进行整合和分类，池化函数对卷积操作得到的特征映射结果进行加工处理生成1个通道描述符。将特征图u进行全局平均池化处理后进一步将全局空间信息都压缩到上述的通道描述符中，得到长度为C2的实数列，这一步全局信息的嵌入称之为“挤压”操作，使较低网络层也能利用到网络中的全部感受野信息。其卷积zc=Fsqueeze（uc）=1HWHi=1Wj=1uc（i，j）（3）式中H特征图像的高度；W特征图像的宽度；uc特征图像中的第c个通道，并用i和j分别表示其行和列的像素。在经过挤压处理后将会获得整个火焰图像的全局特征。每个通道基于通道依赖性自门机制来学习，用来学习每一个通道的特异性激活，使其学会使用全局信息，重点选取有用的特征并抑制一些无意义的特征。将其输入至全连接层使得输出维度降低至1/C2，然后嵌入ReLU激活函数，再进一步通过输入全连接层使得输出特征的维度上升至原始维度C2，利用Sigmoid激活函数获取模型中每一通道的权重值，上述自适应调整即称为“激励”处理过程。激励操作输出SC=Fexcitation（Z，W）=（g（Z，W）=（w2（w1z）（4）式中w1，w2全连接运算；z挤压输出；Sigmoid激活函数；g（）特征图像提取计算函数。在挤压操作之后，把激励操作所获取的输出权重参量与火焰特征图u权重相乘加权后进行逐通道运算，最后得以完成各通道特征的重要程度校准，将火焰特征图进行更新处理，上述这个步骤将其称为“加权”操作。加权操作的输出xc?=Fscale（uc，Sc）Scuc（5）（2）改进火焰特征融合结构为了弥补浅层特征中缺乏的火焰目标，采用上下文机制来提高小火焰目标检测的准确性。本文提出了一种结合SENet模块和改进的特征金字塔模块（FP）的SENet