一种基于多网融合的火灾检测方法技术

本发明专利技术公开了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得到高层特征；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。

A fire detection method based on multi network fusion

【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的特征，这种特征相较于人工设计的特征而言，能从更加抽象的层次去描述目标本身。然而，现有基于相关卷积神经模型的火灾检测方法大多直接采用现有卷积神经模型；这种方法检测性能较传统方法虽然有了极大的提升，不过仍然无法达到实际应用的需求，尤其是对于复杂情况下的火灾检测。
技术实现思路
本专利技术的目的在于克服现有火灾检测方法存在的技术缺陷，提出了基于多网融合的火灾检测方法，该方法不仅提升了火灾检测系统的性能，并且对于复杂情况下的火灾检测也取得了很好的检测效果。为了实现上述目的，本专利技术提出了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。作为上述方法的一种改进，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。作为上述方法的一种改进，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。作为上述方法的一种改进，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。作为上述方法的一种改进，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；如图3所示，所述Denseblock结构由4个级联的basic_layer组成，每一个basic_layer的输入是前面层的所有特征和，第L个basic_layer的输入表示为：xl＝Hl([xl-1,xl-2,…,x0])其中，xl表示第L层的输出，xl-1,xl-2,…,x0分别表示前L-1层的特征，Hl(·)表示批量归一化、ReLU激活函数和3×3卷积操作；所述第一Denseblock层、第二Denseblock层、第三Denseblock层和第四Denseblock层输出特征图数量不同；特征重标定由内嵌在每个Denseblock结构内部的SE组成；所述内嵌SE的两个核心操作分别是Squeeze操作和Excitation操作；Squeeze操作将C×H×W的特征图顺着空间维度压缩成1×1×C个实数，这C个实数表征着特征通道的重要程度；其具体操作表示如下：其中，Zc表示C个经压缩过后的特征向量，H×W表示特征图的大小，uc(i,j)表示(i,j)位置处的特征；所述Excitation操作表示如下：s＝σ(W2δ(W1z))其中，δ表示ReLU激活函数，σ表示sigmoid激活函数；W1和W2分别是对特征图z进行特征映射的权值矩阵。作为上述方法的一种改进，所述特征映射模块包含级联的1个批量归一化操作、1个7×7大小的均值池化、1个全连接层和1个Softmax函数；全连接层包含两个神经元，实现高层抽象特征向输出层输出结果的特征映射；Softmax函数用于将特征值转化为输出概率，输出概率pi为：其中i表示第i个得分值，∑jej表示所有特征值的总和；选取概率最大值对应的类别作为火灾检测的判别结果。作为上述方法的一种改进，所述方法还包括：训练火灾检测模型的步骤，具体包括：步骤1)采用双线性插值的方法对训练集的所有图片进行裁剪，裁剪后的图片大小为：224×224×3；步骤2)将训练集的图片按每组n张随机分成N组；步骤3)随机读取一组图片输入火灾检测模型，输出一组检测结果；步骤4)采用交叉熵计算检测结果与真实标签的误差：其中，表示一组真实标签与一组检测结果y之间的平均误差，p(xi)表示模型的前向输出结果，q(xi)表示真实标签，Σ表示求和；步骤5)基于梯度下降法对模型的所有参数进本文档来自技高网...

【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