本发明涉及深度学习和目标检测领域，更具体地，涉及一种基于改进yolov8的轻量级工厂火灾检测方法。
背景技术：
1、工厂火灾是工业生产中的一种严重安全隐患，对人员安全、财产损失和环境影响巨大。传统的火灾检测方法，如烟雾报警器和人工巡检，存在着响应速度慢、易受环境干扰等问题，难以满足工厂安全管理的需求。随着深度学习技术的不断发展，基于深度学习的火灾检测方法逐渐兴起，并展现出良好的应用前景。
2、yolo系列模型作为目标检测领域的佼佼者，因其速度快、精度高，在火灾检测任务中展现出巨大的潜力。然而，现有的yolo模型在工厂火灾检测场景中仍存在一些局限性，例如难以有效提取火灾特征、模型复杂度高等。
技术实现思路
1、本发明提供一种基于改进yolov8的轻量级工厂火灾检测方法，解决现有yolo系列模型在工厂火灾检测场景中难以有效提取火灾特征、模型复杂度的技术问题。
2、为解决上述技术问题，本发明的技术方案如下：
3、本发明提供一种基于改进yolov8的轻量级工厂火灾检测方法，包括以下步骤：
4、收集包括火灾和烟雾的图像，对所述图像进行标注后形成数据集；
5、将yolov8的注意力模块替换为通道优先扩张注意力模块，检测头替换为混合分类检测头，损失函数更换为n-ciou损失函数，neck部分的卷积模块替换为轻量级卷积模块，neck部分的c2f模块替换为vovgscspc模块，得到改进的yolov8；
6、利用所述数据集训练所述改进的yolov8，得到火灾检测模型；
7、利用所述火灾检测模型对工厂火灾进行检测。
8、在上述技术手段，通过通道优先扩张注意力模块和混合分类检测头，有效地解决了普通yolov8模型特征提取能力有限和模型复杂度高的缺陷，此外，引入了n-ciou损失函数提高模型的定位精度、收敛速度以及对小目标火焰的检测精度，使用轻量级卷积模块以减少参数同时保持模型的准确性，vovgscspc模块结合了vovnet和gs卷积以降低模型的复杂性，通过该上述改进，提高了模型检测精度的同时，实现了模型的轻量化，使其更适合在低功耗设备上部署，适用于工厂火灾检测场景。
9、进一步的，所述通道优先扩张注意力模块包括通道注意力子模块和多尺度非对称膨胀卷积空间注意力子模块，其中：
10、原始特征图经过所述通道注意力子模块处理生成通道注意力图，并通过与原始特征图相乘评估每个特征通道的重要性，得到所述通道注意力子模块的输出特征图；
11、所述通道注意力子模块的输出特征图经过所述多尺度非对称膨胀卷积空间注意力子模块处理生成空间注意力图，并通过与所述通道注意力子模块的输出特征图相乘，得到所述通道优先扩张注意力模块的输出特征图。
12、进一步的，所述多尺度非对称膨胀卷积空间注意力子模块包括卷积核为1×1的第一卷积层、卷积核为1×11与膨胀率为2的第二卷积层、卷积核为11×1与膨胀率为2的第三卷积层、卷积核为3×5的第四卷积层、卷积核为5×3的第五卷积层、卷积核为1×7与膨胀率为2的第六卷积层、卷积核为7×1与膨胀率为2的第七卷积层和卷积核为1×1的第八卷积层，其中：
13、所述通道注意力子模块的输出特征图经过所述第一卷积层后，分别输入所述第二卷积层、第四卷积层和第六卷积层，所述第三卷积层的输入为第二卷积层的输出，所述第五卷积层的输入为第四卷积层的输出，所述第七卷积层的输入为第六卷积层的输出；
14、所述第三卷积层的输出、第五卷积层的输出和第七卷积层的输出相加后与所述通道注意力子模块的输出特征图相乘，再输入至第八卷积层，得到输出特征图。
15、进一步的，将yolov8的注意力模块替换为通道优先扩张注意力模块，包括：
16、将yolov8的backbone部分集成所述通道优先扩张注意力模块。
17、进一步的，所述混合分类检测头包括回归分支和分类分支，其中：
18、回归分支包括两个3×3卷积核和一个1×1卷积核，所述回归分支输出边界框回归信息和额外类别预测值cls1；
19、分类分支包括三个1×1卷积核，所述分类分支给出类别预测值cls2；
20、最后的类别预测值cls由下式计算：
21、cls＝(1-α)cls1+αcls2
22、式中，α表示预测权重。
23、进一步的，所述n-ciou损失函数，包括：
24、
25、
26、
27、
28、
29、式中，niou表示niou值，通过将iou的分子和分母的交集区域增加n倍得到；b和bgt分别表示预测框和目标框；ln-ciou为n-ciou损失函数；ρ2(b，bgt)表示预测框和真实框中心点之间的欧几里得距离；c表示预测框和真实框之间的最小外接矩形的对角线长度；v表示预测框和真实框在宽高比上的相似性；iou表示预测框和真实框的交并比；wgt和hgt分别表示预测框的宽度和高度，w和h分别表示目标框的宽度和高度。
30、进一步的，所述轻量级卷积模块，包括：
31、第一通道特征图经第九卷积层后得到第二通道特征图；
32、第二通道特征图经dwconv层后得到第三通道特征图；
33、第二通道特征图和第三通道特征图拼接后，得到第四通道特征图；
34、第四通道特征图经shuffle层后，得到第五通道特征图。
35、进一步的，所述vovgscspc模块包括：
36、特征图分别经第十卷积层和第十一卷积层，第十卷积层的输出经bottleneck子模块后，与第十一卷积层的输出拼接后，再经过第十二卷积层，得到vovgscspc模块的输出。
37、进一步的，所述bottleneck子模块包括：
38、特征图分别经第十三卷积层和第一轻量级卷积模块，第一轻量级卷积模块的输出经第二轻量级卷积模块后，与第十三卷积层输出拼接，得到bottleneck子模块的输出。
39、进一步的，利用所述数据集训练所述改进的yolov8，包括：
40、采用知识蒸馏方法训练所述改进的yolov8。
41、与现有技术相比，本发明技术方案的有益效果是：
42、本发明通过对yolov8模型进行改进，使改进后的yolov8在工厂火灾检测场景下，具有高精度的同时，还具有轻量级的模型结构，更适合在低功耗设备上部署。
1.一种基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述通道优先扩张注意力模块包括通道注意力子模块和多尺度非对称膨胀卷积空间注意力子模块，其中：
3.根据权利要求2所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述多尺度非对称膨胀卷积空间注意力子模块包括卷积核为1×1的第一卷积层、卷积核为1×11与膨胀率为2的第二卷积层、卷积核为11×1与膨胀率为2的第三卷积层、卷积核为3×5的第四卷积层、卷积核为5×3的第五卷积层、卷积核为1×7与膨胀率为2的第六卷积层、卷积核为7×1与膨胀率为2的第七卷积层和卷积核为1×1的第八卷积层，其中：
4.根据权利要求1至3任一项所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，将yolov8的注意力模块替换为通道优先扩张注意力模块，包括：
5.根据权利要求1所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述混合分类检测头包括回归分支和分类分支，其中：
6.根据权利要求1所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述n-ciou损失函数，包括：
7.根据权利要求1所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述轻量级卷积模块，包括：
8.根据权利要求1所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述vovgscspc模块包括：
9.根据权利要求8所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，所述bottleneck子模块包括：
10.根据权利要求1至3、5至9任一项所述的基于改进yolov8的轻量级工厂火灾检测方法，其特征在于，利用所述数据集训练所述改进的yolov8，包括：
