本發(fā)明屬于充電場(chǎng)所檢測(cè)，尤其涉及一種用于檢測(cè)充電場(chǎng)所車輛起火的方法。

背景技術(shù)：

1、電車作為一種環(huán)保、節(jié)能的交通工具，對(duì)于減少對(duì)化石燃料的依賴和降低溫室氣體排放具有重要意義。隨著電車的不斷普及，充電站作為其電能補(bǔ)給的重要設(shè)施，至2023年底，為滿足電車的充電需求，中國(guó)充電基礎(chǔ)設(shè)施累計(jì)建設(shè)859.6萬(wàn)臺(tái)。充電設(shè)施規(guī)模的不斷擴(kuò)大，其安全性問(wèn)題越來(lái)越受到重視。

2、近年來(lái)，車輛充電起火事故層出不窮，對(duì)人員生命健康和財(cái)產(chǎn)安全構(gòu)成嚴(yán)重威脅，同時(shí)也影響著充電設(shè)施的正常運(yùn)營(yíng)。電車起火主要有以下兩點(diǎn)原因，一是由于電車電池?zé)崾Э貙?dǎo)致車輛起火，電池?zé)崾Э厥侵鸽姵卦谑褂眠^(guò)程中因?yàn)闊崃窟^(guò)高、充電過(guò)度或者短路等原因?qū)е缕鋬?nèi)部溫度迅速攀升，并最終引發(fā)失控狀態(tài)。這種情況可能導(dǎo)致電車電池發(fā)生爆炸、起火等事故。二是充電樁質(zhì)量問(wèn)題導(dǎo)致車輛起火，由于國(guó)內(nèi)充電樁質(zhì)量參差不齊，充電樁線路老化、沒(méi)有過(guò)充保護(hù)、傳感器失靈等等問(wèn)題也會(huì)導(dǎo)致充電車輛的起火。

3、隨著近年來(lái)計(jì)算機(jī)視覺(jué)技術(shù)的不斷進(jìn)步，各種目標(biāo)檢測(cè)算法也廣泛應(yīng)用于火災(zāi)監(jiān)測(cè)，并且不斷取得進(jìn)步。目前，盡管已經(jīng)有多種關(guān)于火災(zāi)檢測(cè)算法被提出，但是其在檢測(cè)精度或者速度方面仍存在缺陷。而且一些方法可能在實(shí)際充電站場(chǎng)景下的檢測(cè)識(shí)別率并不高；或者有些算法的精度以及速度方面基本達(dá)到要求，但是需要的算力太高，實(shí)用性較低。這些問(wèn)題限制了現(xiàn)有技術(shù)在實(shí)際充電站場(chǎng)景中的應(yīng)用。

4、因此，開(kāi)發(fā)一種高效的目標(biāo)檢測(cè)算法，對(duì)于分析預(yù)測(cè)與及時(shí)響應(yīng)此類事故變得尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題在于解決現(xiàn)有技術(shù)中存在的不足，設(shè)計(jì)一種新的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，這個(gè)檢測(cè)方法以yolov5s為基礎(chǔ)，對(duì)其backbone網(wǎng)絡(luò)、neck網(wǎng)絡(luò)和head網(wǎng)絡(luò)進(jìn)行改進(jìn)，顯著提高了模型的速度與精度，解決了現(xiàn)使用算法需要的算力太高，實(shí)用性較低的問(wèn)題。

2、本發(fā)明解決其技術(shù)問(wèn)題所采用的方案為：

3、一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，包含以下步驟，

4、將通過(guò)攝像模塊獲得的充電場(chǎng)所目標(biāo)圖像輸入yolov5s-fast模型；

5、通過(guò)所述yolov5s-fast模型對(duì)所述目標(biāo)圖像進(jìn)行識(shí)別處理，提取出其特征信息；

6、根據(jù)特征信息給出識(shí)別結(jié)果。

7、作為本發(fā)明的一種優(yōu)選實(shí)施方式，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的backbone網(wǎng)絡(luò)中將gc與c3模塊進(jìn)行融合，成為一種新的特征提取模塊c3gc。

8、作為本發(fā)明的一種優(yōu)選實(shí)施方式，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的neck網(wǎng)絡(luò)中采用輕量級(jí)上采樣算子。

9、作為本發(fā)明的一種優(yōu)選實(shí)施方式，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的head網(wǎng)絡(luò)中采用解耦頭代替耦合頭。

10、作為本發(fā)明的一種優(yōu)選實(shí)施方式，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的backbone網(wǎng)絡(luò)中將gc與c3模塊進(jìn)行融合，成為一種新的特征提取模塊c3gc；

11、在yolov5s的neck網(wǎng)絡(luò)中采用輕量級(jí)上采樣算子；

12、在yolov5s的head網(wǎng)絡(luò)中采用解耦頭代替耦合頭。

13、所述輕量級(jí)上采用算子具體為carafe算子。

14、所述carafe算子的使用方式是將輸特征圖分解為低分辨率特征圖和高分辨率特征圖，通過(guò)學(xué)習(xí)像素之間的關(guān)系，將低分辨率特征圖上采樣到與高分辨率特征圖相同的尺寸，將上采樣后的特征圖與高分辨率特征圖進(jìn)行融合，得到最終的上采樣結(jié)果。

15、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

16、本發(fā)明以yolov5s為基礎(chǔ)，首先在yolov5s的backbone網(wǎng)絡(luò)中采用全局上下文注意力機(jī)制(gc)與c3模塊進(jìn)行融合，成為一種新的特征提取的模塊c3gc，增強(qiáng)模型提取特征的能力，減少了計(jì)算開(kāi)銷；其次在yolov5s的neck網(wǎng)絡(luò)中采用輕量級(jí)上采樣算子，其能夠根據(jù)輸入圖像進(jìn)行自適應(yīng)的上采樣，提升檢測(cè)精度；最后在yolov5s的head網(wǎng)絡(luò)中采用解耦頭代替耦合頭，提高目標(biāo)檢測(cè)的準(zhǔn)確率與效率；或是三者單獨(dú)對(duì)yolov5s模型進(jìn)行改進(jìn)。實(shí)驗(yàn)與測(cè)試結(jié)果表明，本發(fā)明提出的方法yolov5s-fast與原yolov5s相比，平均精度和fps均有很大的提升，方法更加實(shí)用化。

技術(shù)特征：

1.一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，包含：

2.如權(quán)利要求1所述的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的backbone網(wǎng)絡(luò)中將gc與c3模塊進(jìn)行融合，成為一種新的特征提取模塊c3gc。

3.如權(quán)利要求1所述的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的neck網(wǎng)絡(luò)中采用輕量級(jí)上采樣算子。

4.如權(quán)利要求1所述的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的head網(wǎng)絡(luò)中采用解耦頭代替耦合頭。

5.如權(quán)利要求1所述的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，所述yolov5s-fast模型以yolov5s為基礎(chǔ)，在yolov5s的backbone網(wǎng)絡(luò)中將gc與c3模塊進(jìn)行融合，成為一種新的特征提取模塊c3gc；

6.如權(quán)利要求3或5任一所述的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，所述輕量級(jí)上采用算子具體為carafe算子。

7.如權(quán)利要求6所述的一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，其特征在于，所述carafe算子的使用方式是將yolov5s的neck網(wǎng)絡(luò)上采樣后的特征圖分解為低分辨率特征圖和高分辨率特征圖，通過(guò)學(xué)習(xí)像素之間的關(guān)系，將低分辨率特征圖上采樣到與高分辨率特征圖相同的尺寸，將上采樣后的特征圖與高分辨率特征圖進(jìn)行融合，得到最終的上采樣結(jié)果。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種用于檢測(cè)充電場(chǎng)所車輛起火的方法，涉及目標(biāo)識(shí)別技術(shù)領(lǐng)域，其特征在于，將拍攝的充電場(chǎng)所目標(biāo)圖像輸入YOLOv5s?Fast模型；通過(guò)YOLOv5s?Fast模型對(duì)目標(biāo)圖像處理，提取其特征信息并給出識(shí)別結(jié)果。本發(fā)明以YOLOv5s為基礎(chǔ)，在Backbone網(wǎng)絡(luò)中采用GC與C3模塊進(jìn)行融合，形成模塊C3GC，增強(qiáng)模型提取特征的能力，減少計(jì)算開(kāi)銷；在Neck網(wǎng)絡(luò)中采用輕量級(jí)上采樣算子，能提升檢測(cè)精度；在YOLOv5s的Head網(wǎng)絡(luò)中采用解耦頭代替耦合頭，提高檢測(cè)的準(zhǔn)確率與效率；或是三者單獨(dú)對(duì)YOLOv5s模型進(jìn)行改進(jìn)，與引用的YOLOv5s相比，平均精度和FPS均有提升，方法更加實(shí)用化。

技術(shù)研發(fā)人員：張艷超,何峰,付凱,高瑞,楊春萍,馬智軻,劉銘琛,陳發(fā)進(jìn),李貴賓,劉凱波
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)新疆電力有限公司博爾塔拉供電公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17