一种基于YOLO的隧道火灾异常事件检测方法与流程

1.一种基于yolo的隧道火灾异常事件检测方法，其特征在于，步骤如下：

2.根据权利要求1所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，步骤s1所述的监测数据包括图片形式和视频形式，监测数据的内容包括火灾异常事件场景以及部分未出现异常事件的场景。

3.根据权利要求1所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，步骤s1对于训练数据集的生成还包括利用网络爬虫在内的工具，获取其他隧道火灾图片数据以扩充训练数据集，以实现提高yolo网络模型的泛化性能；所述的训练数据集也包括不同天气及时间段的场景数据；然后标注所采集的数据，包括火焰以及烟雾目标的包围盒。

4.根据权利要求1所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，在步骤s2中，所述三重注意力机制是在cbam模块基础上引入跨维度交互，结合通道注意力、空间注意力和跨层注意力，使网络能够更准确地捕捉小目标的关键特征。

5.根据权利要求1所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，步骤s2中的特征金字塔网络是通过增加特征金字塔的深度以实现优化，并采用加权跨层双向连接，促进低层特征细节信息与高层特征的交互，提高特征复用和信息传递能力。

6.根据权利要求5所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，在特征金字塔网络中，包括设置一个及以上的权重参数实现加权双向特征金字塔网络，然后通过快速归一化融合方法来学习和调整不同输入特征的重要性；

7.根据权利要求1所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，步骤s3包括根据火焰数据集的特点，在训练过程中利用k-means++算法生成一组适用于火焰检测的锚框；也包括对在隧道内实时捕获的部分数据进行人工标记，然后将人工标记的数据迭代训练数据集。

8.根据权利要求1所述的基于yolo的隧道火灾异常事件检测方法，其特征在于，在步骤s5所述综合置信度评分的计算公式如下：