【技术实现步骤摘要】
一种基于多网融合的火灾检测方法
本专利技术涉及机器视觉及深度学习
,特别涉及一种基于多网融合的火灾检测方法。
技术介绍
火灾作为一个高度频发、破环性极大的自然灾害,不仅严重威胁着人们的生命财产安全,而且大规模的火灾会给生态平衡造成难以修复的创伤。因此,为了避免因火灾引起的大规模灾害,及早而准确地发现火灾将为救援人员提供宝贵的施援时间。多年来,人们致力于将接触式传感器应用于火灾检测,如烟雾传感器、温度传感器和颗粒传感器等。但这类系统往往只适用于狭小的室内环境,对于室外开放的大型空间而言,这类系统则显得无用于之地。基于计算机视觉的火灾检测方法因其信息获取速度快、利用现有监控系统,可大量节约资源以及同时兼顾室内外环境的优势,引起了研究者们的广泛关注。目前存在基于视觉的火灾检测方法均采用同一框架:图像获取与预处理、区域分割、特征提取和分类判别。这类方法往往需要人为“手工”设计特征,特征设计的好坏绝大程度上决定了系统的性能。人工设计特征的过程不仅繁琐,且选取的特征具有主观性,扩展到其它场景下的火灾检测时性能会大幅度下降,泛化能力不强。这类系统往往不能满足实际应用的需求。近年来,计算机技术的快速发展,尤其是图形处理器(GraphicsProcessingUnit,GPU)计算能力的大幅度提升促进了卷积神经模型在计算机视觉任务中的应用,如图像分类、目标检测和语义分割等。卷积神经模型的核心思想便是构造深层神经模型,模拟人类大脑处理视觉信息的学习机制。通过依次堆叠的层级结构,卷积神经模型能够自动地提取图片中更本质 ...
【技术保护点】
1.一种基于多网融合的火灾检测方法,所述方法包括:/n将待检测的图片输入预先建立和训练好的火灾检测模型,输出是否发生火灾的检测结果;/n所述火灾检测模型包括:特征降维模块、多尺度低层特征扩展模块、高层特征抽象及重标定模块和特征映射模块;/n所述特征降维模块,用于对输入的图片进行降维并提取低层特征;/n所述多尺度低层特征扩展模块,用于对低层特征进行扩展,输出多尺度低层特征;/n所述高层特征抽象及重标定模块,用于对多尺度低层特征进行高层的抽象,实现低层特征向高层特征的映射;然后对高层特征进行重标定,输出重标定后的高层特征;/n所述特征映射模块,用于将重标定后的高层特征映射至目标输出。/n
【技术特征摘要】
1.一种基于多网融合的火灾检测方法,所述方法包括:
将待检测的图片输入预先建立和训练好的火灾检测模型,输出是否发生火灾的检测结果;
所述火灾检测模型包括:特征降维模块、多尺度低层特征扩展模块、高层特征抽象及重标定模块和特征映射模块;
所述特征降维模块,用于对输入的图片进行降维并提取低层特征;
所述多尺度低层特征扩展模块,用于对低层特征进行扩展,输出多尺度低层特征;
所述高层特征抽象及重标定模块,用于对多尺度低层特征进行高层的抽象,实现低层特征向高层特征的映射;然后对高层特征进行重标定,输出重标定后的高层特征;
所述特征映射模块,用于将重标定后的高层特征映射至目标输出。
2.根据权利要求1所述的基于多网融合的火灾检测方法,其特征在于,所述方法还包括:采用双线性插值的方法对待检测的图片进行裁剪,使其满足火灾检测模型输入所需大小:224×224×3。
3.根据权利要求1或2所述的基于多网融合的火灾检测方法,其特征在于,所述特征降维模块由两层卷积层组成:第一卷积层和第二卷积层;所述第一卷积层和第二卷积层均由大小为3×3,步长为2的卷积、批量归一化操作和ReLU函数组成。
4.根据权利要求3所述的基于多网融合的火灾检测方法,其特征在于,所述多尺度低层特征扩展模块采用3个级联的Inception结构;所述Inception结构包括4个并行的分支:第一分支、第二分支、第三分支和第四分支;所述第一分支包含大小为1×1,步长为1的卷积层;所述第二分支由大小为1×1,步长为1的卷积层和大小为3×3,步长为1的两个卷积层堆叠而成;所述第三分支由大小为1×1,步长为1的卷积层和大小为5×5,步长为1的两个卷积层堆叠而成;所述第四分支由一个大小为3×3,步长为1的最大池化层和大小为1×1,步长为1的卷积层堆叠而成;所述卷积层均采用ReLU作为激活函数;
将4个并行的分支输出的特征图进行拼接;所述拼接方式表示如下:
X=concat(x1,x2,x3,x4)(1)
其中,X表示经扩展后的特征图,concat(·)表示拼接操作,x1,x2,x3,x4分别对应第一个分支,第二个分支,第三个分支,第四个分支的输出;
3个Inception结构输出的特征图个数分别为96、128和256。
5.根据权利要求4所述的基于多网融合的火灾检测方法,其特征在于,所述高层特征抽象及重标定模块包含4个级联的Denseblock结构:第一Denseblock层、第二Denseblock层、第三Denseblock层和第四Denseblock层;所述Denseblock结构由4个级联的basic_layer...
【专利技术属性】
技术研发人员:李松斌,晏黔东,刘鹏,
申请(专利权)人:中国科学院声学研究所南海研究站,
类型:发明
国别省市:海南;46
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。