一种火焰检测模型的训练方法、计算机可读介质及系统技术方案

本发明专利技术涉及一种火焰检测模型的训练方法，该方法包括以下步骤：步骤S1：获取包含火焰的图像；步骤S2：提供一具有至少两个空洞卷积的卷积网络，并在卷积网络中输入包含火焰的图像，以提取至少两种不同尺度的特征图；步骤S3：对每个尺度的特征图，生成目标候选框，而后对各尺度的候选框进行非极大值抑制,去除冗余的候选框；步骤S4：结合对应不同尺度特征图中的锚点进行位置偏移预测和中心偏移预测，并获得火焰状态预测结果；及步骤S5：根据火焰状态预测结果输出加权损失函数，并利用加权损失函数训练卷积网络，以获得火焰检测模型。本发明专利技术还提供一种计算机可读介质。本发明专利技术还提供一种火焰检测模型的训练系统。

A training method, computer readable medium and system of flame detection model

【技术实现步骤摘要】
一种火焰检测模型的训练方法、计算机可读介质及系统
本专利技术涉及计算机视觉领域，尤其涉及一种火焰检测模型的训练方法、计算机可读介质及系统。
技术介绍
早期的计算机视觉检测火灾的方法是用人工提取的特征，如图像通道、火焰边缘、火焰物理特征等进行判断，但这些方案都抗干扰性不强，容易出现漏报、误报，对图像背景、质量要求很高；随着深度学习的使用，人们开始利用深度学习目标检测的方法开始对火灾图像进行检测，大多为通过卷积神经网络(CNN，ConvolutionalNeuralNetworks)学习火焰的图像特征，进而当监控图像中出现与卷积神经网络学习到的火焰图像特征时，自动识别为监控的场景存在火焰，但是在实际场景中，火焰在不同的情况下其表现形式存在很大差异，如火焰刚出现时的体现出的特征很少，火焰面积较大时，能够参照的背景特征很少，因此很难通过普通的卷积学习火焰在不同情况下的图像特征，因此很容易存在漏检、误检的情况。
技术实现思路
为克服现有技术存在的问题，本专利技术提供一种火焰检测模型的训练方法、计算机可读介质及系统。本专利技术解决技术问题的方案是提供一种火焰检测模型的训练方法，该方法包括以下步骤：步骤S1：获取包含火焰的图像；步骤S2：提供一具有至少两个空洞卷积的卷积网络，并在所述卷积网络中输入所述包含火焰的图像，以提取至少两种不同尺度的特征图；步骤S3：对每个尺度的特征图，生成目标候选框，而后对各尺度的候选框进行非极大值抑制(NMS,NonMaximumSuppression),去除冗余的候选框；步骤S4：结合对应不同尺度特征图中的锚点进行位置偏移预测和中心偏移预测，并获得火焰状态预测结果；及步骤S5：根据火焰状态预测结果输出加权损失函数，并利用加权损失函数训练卷积网络，以获得火焰检测模型。优选地，步骤S3对每个尺度的特征图，生成目标候选框，而后对各尺度的候选框进行非极大值抑制,去除冗余的候选框，进一步包括以下步骤：步骤S31：将每张所述特征图分为火焰区域和背景区域，并选取每张特征图中的火焰区域为感兴趣区域；步骤S32：根据感兴趣区域中锚点的分布，在每张特征图中生成至少两个候选框；步骤S33：通过非极大值抑制去除冗余的候选框；及步骤S34：根据候选框对所有不同尺度的特征图进行合并，并输出对应的锚点。优选地，所述火焰状态预测结果包括火焰区域占整张图比例及其位置置信度、火焰旺度及其旺度置信度。优选地，步骤S33通过非极大值抑制去除冗余的候选框，进一步包括以下步骤：步骤S331：计算每个候选框与真实火焰区域重叠度；及步骤S332：设定重叠度大于预设值的候选框进行保留，以去除冗余的候选框。优选地，步骤S2提供一具有至少两个空洞卷积的卷积网络，并在所述卷积网络中输入所述包含火焰的图像，以提取至少两种不同尺度的特征图，进一步包括以下步骤：步骤S21：使用设定尺寸的卷积核，膨胀系数为1，提取小尺度的特征图；步骤S22：使用设定尺寸的卷积核，膨胀系数为2，提取中尺度的特征图；及步骤S23：使用设定尺寸的卷积核，膨胀系数为4，提取大尺度的特征图。优选地，步骤S331计算每个候选框与真实火焰区域重叠度，进一步包括以下步骤：步骤S3311：在小尺度的特征图计算每个候选框与真实火焰区域的重叠度；步骤S3312：在中尺度的特征图计算每个候选框与真实火焰区域的重叠度；及步骤S3313：在大尺度的特征图计算每个候选框与真实火焰区域的重叠度。优选地，上述步骤S4中，通过全连接层结合候选框的坐标进行回归计算，以对锚点进行位置偏移预测和中心偏移预测。本专利技术还提供一种计算机可读介质，所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述的火焰检测模型的训练方法。本专利技术还提供一种火焰检测模型的训练系统，所述火焰检测模型的训练系统包括：读取模块，被配置为获取包含火焰的图像；提取模块，被配置为提供一具有至少两个空洞卷积的卷积网络，并在所述卷积网络中输入所述包含火焰的图像，以提取至少两种不同尺度的特征图；抑制模块，被配置为对每个尺度的特征图，生成目标候选框，而后对各尺度的候选框进行非极大值抑制,去除冗余的候选框；预测模块，被配置为结合对应不同尺度特征图中的锚点进行位置偏移预测和中心偏移预测，并获得火焰状态预测结果；及训练模块，被配置为根据火焰状态预测结果输出加权损失函数，并利用加权损失函数训练卷积网络，以获得火焰检测模型。优选地，所述抑制模块中进一步包括：设定单元，被配置为将每张所述特征图分为火焰区域和背景区域，并选取每张特征图中的火焰区域为感兴趣区域；候选框单元，被配置为根据感兴趣区域中锚点的分布，在每张特征图中生成至少两个候选框；抑制单元，被配置为通过非极大值抑制去除冗余的候选框；及输出单元，被配置为根据候选框对所有不同尺度的特征图进行合并，并输出对应的锚点。与现有技术相比，本专利技术的火焰检测模型的训练方法、计算机可读介质及火焰检测模型的训练系统具有以下优点：1.通过至少两个空洞卷积的卷积网络在获取的包含火焰的图像中提取至少两个不同尺度的特征图，以使训练得到的火焰检测模型通过不同尺度检测火焰特征，提高火焰检测模型检测火焰的精度，即当火焰刚出现时或者存在大面积火焰时，均可以通过至少两个空洞卷积提取不同尺度的特征图，进而提升火焰检测模型检测火焰的精度。2.通过对输出的锚点进行位置偏移预测和中心偏移预测，结合锚点的分布预测火焰区域占整张图的比例及其置信度、火焰旺度及其置信度，以使训练得到的火焰检测模型检测的火焰位置更准确，并在检测到火焰之后计算火焰区域占整张图的比例和火焰旺度，并计算对应检测结果的置信度，以结合检测结果和置信度进行救火行动。3.在每张特征图中获取至少两个候选框，并通过非极大值抑制去除冗余的候选框，进而将每张特征图中保留的候选框进行合并，以使输出的锚点为火焰特征的准确度更高，进而使训练得到的火焰检测模型检测火焰时的准确度更高，以在火焰监测模型在进行检测火焰检测时，防止漏检或误检的情况发生。4.在本专利技术提供的一种计算机可读介质中，将火焰检测模型的训练方法存储于计算机程序中，以便于计算机可读介质运行该计算机程序，进而运行该计算机程序，以获得上述的火焰检测模型，并使火焰检测模型从不同尺度检测火焰，同时使检测火焰的准确率更高。5.在本专利技术提供的一种火焰检测模型的训练系统中设置读取模块、提取模块、抑制模块、预测模块及训练模块，实现从不同尺度检测火焰，同时使检测火焰的准确率更高。【附图说明】图1是本专利技术第一实施例火焰检测模型的训练方法的流程示意图。图2是本专利技术第一实施例火焰检测模型的训练方法中步骤S2的流程示意图。图3是本专利技术第一实施例火焰检测模型的训练方法中膨胀系数为1的空洞卷积示意图。图4是本专利技术第一实施例火焰检测模型的训练方法中膨胀系数为2的空洞卷积示意图。图5是本专利技术第一实施例火焰检测模型的训练方法中膨胀系数为4的空洞卷积示意图。图6是本专利技术第一实施例火焰检测模型的训练方法中步骤S3的流程示意图。图7是本专利技术第一实施例火焰检测模型的训练方法中步骤S33的流程示意图。图8是本专利技术第一实施例火焰检测模型的训练方法中步骤S331的流程示意图。图9是本专利技术第三实施例火焰检测模型的训练系统的模块示意图。图10是本专利技术第三实施本文档来自技高网...

【技术保护点】
1.一种火焰检测模型的训练方法，其特征在于：该方法包括以下步骤：步骤S1：获取包含火焰的图像；步骤S2：提供一具有至少两个空洞卷积的卷积网络，并在所述卷积网络中输入所述包含火焰的图像，以提取至少两种不同尺度的特征图；步骤S3：对每个尺度的特征图，生成目标候选框，而后对各尺度的候选框进行非极大值抑制,去除冗余的候选框；步骤S4：结合对应不同尺度特征图中的锚点进行位置偏移预测和中心偏移预测，并获得火焰状态预测结果；及步骤S5：根据火焰状态预测结果输出加权损失函数，并利用加权损失函数训练卷积网络，以获得火焰检测模型。

【技术特征摘要】
1.一种火焰检测模型的训练方法，其特征在于：该方法包括以下步骤：步骤S1：获取包含火焰的图像；步骤S2：提供一具有至少两个空洞卷积的卷积网络，并在所述卷积网络中输入所述包含火焰的图像，以提取至少两种不同尺度的特征图；步骤S3：对每个尺度的特征图，生成目标候选框，而后对各尺度的候选框进行非极大值抑制,去除冗余的候选框；步骤S4：结合对应不同尺度特征图中的锚点进行位置偏移预测和中心偏移预测，并获得火焰状态预测结果；及步骤S5：根据火焰状态预测结果输出加权损失函数，并利用加权损失函数训练卷积网络，以获得火焰检测模型。2.如权利要求1所述的火焰检测模型的训练方法，其特征在于：步骤S3将每张所述特征图分为至少两个区域，选取每张特征图中的设定区域生成候选框，并输出对应不同尺度特征图中的锚点，进一步包括以下步骤：步骤S31：将每张所述特征图分为火焰区域和背景区域，并选取每张特征图中的火焰区域为感兴趣区域；步骤S32：根据感兴趣区域中锚点的分布，在每张特征图中生成至少两个候选框；步骤S33：通过非极大值抑制去除冗余的候选框；及步骤S34：根据候选框对所有不同尺度的特征图进行合并，并输出对应的锚点。3.如权利要求2所述的火焰检测模型的训练方法，其特征在于：所述火焰状态预测结果包括火焰区域占整张图比例及其位置置信度、火焰旺度及其旺度置信度。4.如权利要求3所述的火焰检测模型的训练方法，其特征在于：步骤S33通过非极大值抑制去除冗余的候选框，进一步包括以下步骤：步骤S331：计算每个候选框与真实火焰区域重叠度；及步骤S332：设定重叠度大于预设值的候选框进行保留，以去除冗余的候选框。5.如权利要求4所述的火焰检测模型的训练方法，其特征在于：步骤S2提供一具有至少两个空洞卷积的卷积网络，并在所述卷积网络中输入所述包含火焰的图像，以提取至少两种不同尺度的特征图，进一步包括以下步骤：步骤S21：使用设定尺寸的卷积核，膨胀系数为1，提取小尺度的特征图；步骤S22：使用设定尺寸的卷积核，膨胀系数为2，提取中尺度...

【专利技术属性】
技术研发人员：张发恩，贲圣兰，
申请(专利权)人：创新奇智重庆科技有限公司，
类型：发明
国别省市：重庆,50