一种轻量级的FIRE-DET火焰检测方法及系统技术方案

本发明专利技术公开了一种轻量级的FIRE‑DET火焰检测方法及系统，首先构建包含复杂环境下的数据集；其次，构建单步检测模型FIRE‑DET，模型中Backbone使用由多卷积组合结构层叠的FIRE‑Net网络，并减少卷积通道数；将BiFPN作为模型的特征融合网络，提高多尺度特征融合的效果；增加一种改进的空间注意力机制，对火焰特征进行增强；将提取的特征，输入Class/Box Net层中进行预测和回归；最后，使用数据集对FIRE‑DET模型进行训练，获得用于火焰检测的检测器。本发明专利技术的识别率为97.55％，火焰检测速度达到45帧/s，可用于实时火焰检测并预警，且具有较好的鲁棒性与广泛的应用价值。

【技术实现步骤摘要】
一种轻量级的FIRE-DET火焰检测方法及系统
本专利技术属于图像处理及预防火灾
，具体涉及一种轻量级的FIRE-DET火焰检测方法及系统。
技术介绍
近年来，随着深度学习的研究越来越深入，应用领域越来越广。在现有火焰检测系统中，研究者通过对计算机视觉结合，主要有以下种类：(1)基于颜色空间的图像分割方法：NurulSB等人提出了一种利用图像增强技术、RGB和YCbCr彩色模型，在给定条件下，从背景中分离出火灾像素，从原始图像中分离出亮度和色度对比来检测火灾的方法。DmytroPeleshko等人提出了基于颜色分割和运动物体检测融合的方法，在最大资源限制下的优于其他算法。TengWang等人建立了一个包含色散、相似度和质心运动的多专家系统来识别火焰。(2)基于图像梯度与积分的方法：OUYANGJi-neng等人提出了一种以火焰图像的边缘梯度作为研究对象，选择颜色B分量的边缘梯度作为判断火焰和干涉图像的依据。通过对大量样本的图像边缘梯度进行曲线拟合，建立了基于图像边缘梯度的火焰识别模型。AlexanderF提出了对图像颜色和形状特征计算以及本文档来自技高网...

【技术保护点】
1.一种轻量级的FIRE-DET火焰检测方法，其特征在于，包括以下步骤：/n(1)构建FIRE-DET模型；所述FIRE-DET模型包括特征提取网络、特征融合网络、图像分割网络与预测识别网络；所述特征提取网络通过多卷积组合结构层叠构成，通过减少卷积的通道数降低检测模型的参数量；所述特征融合网络为BiFPN网络；所述图像分割网络，将融合后的特征进行反卷积和卷积操作后获得注意力图，并与特征融合网络获得的特征进行融合；/n(2)对预先获取的包含复杂环境的视频帧图像进行预处理和归一化，形成数据集；并对FIRE-DET模型进行训练，获得用于火焰检测的模型M；/n(3)使用模型M对火焰对象的边框与类别进行...

【技术特征摘要】
1.一种轻量级的FIRE-DET火焰检测方法，其特征在于，包括以下步骤：
(1)构建FIRE-DET模型；所述FIRE-DET模型包括特征提取网络、特征融合网络、图像分割网络与预测识别网络；所述特征提取网络通过多卷积组合结构层叠构成，通过减少卷积的通道数降低检测模型的参数量；所述特征融合网络为BiFPN网络；所述图像分割网络，将融合后的特征进行反卷积和卷积操作后获得注意力图，并与特征融合网络获得的特征进行融合；
(2)对预先获取的包含复杂环境的视频帧图像进行预处理和归一化，形成数据集；并对FIRE-DET模型进行训练，获得用于火焰检测的模型M；
(3)使用模型M对火焰对象的边框与类别进行预测后，获得并保存火焰的位置信息；将保存的火焰目标位置在原视频图像上进行可视化；当视频帧中各火焰目标面积的和与原视频帧面积的比达到预定阈值后，发出火焰警报。


2.根据权利要求1所述的轻量级的FIRE-DET火焰检测方法，其特征在于，其特征在于，步骤(1)所述的特征提取网络工作过程如下：
将输入的图片归一化为416×416大小生成IMG0；将归一化后的IMG0作为多卷积组合网络的输入进行计算获得F1；将F1进行卷积核为2×2的最大池化操作后获得的Pool1，作为多卷积组合网络的输入进行计算获得F2；将F2进行卷积核为2×2的最大池化操作后获得的Pool2，作为多卷积组合网络的输入进行计算获得F3；将F3进行卷积核为2×2的最大池化操作后获得的Pool3，作为多卷积组合网络的输入进行计算获得F4；将F4进行卷积核为2×2的最大池化操作后获得的Pool4，作为多卷积组合网络的输入进行计算获得F5；对F5进行卷积核为2×2的最大池化操作后，进行卷积核为3×3大小的卷积操作获得F6；对F6进行卷积核为2×2的最大池化操作后，进行卷积核为3×3大小的卷积操作获得F7。


3.根据权利要求1所述的轻量级的FIRE-DET火焰检测方法，其特征在于，其特征在于，步骤(1)所述的特征融合网络工作过程如下：
将经过特征提取网络多卷积组合结构获得的特征图F3、F4、F5、F6和F7作为BiFPN网络的输入，进行特征融合后获得输出C1、C2、C3、C4和C5；将C1、C2、C3、C4和C5作为BiFPN网络的输入，再次进行特征融合，获得输出D1、D2、D3、D4和D5；所述BiFPN网络的过程如下：
1)网络中有五个输入，分别记为Input1，Input2，Input3，Input4与Input5；
2)将Input1进行2×2的反卷积操作后与Input2进行矩阵和操作获得A1；将A1进行2×2的反卷积操作后与Input3进行矩阵和操作获得A2；将A2进行2×2...

【专利技术属性】
技术研发人员：高尚兵，陈浩霖，相林，于永涛，蔡创新，李文婷，汪长春，于坤，朱全银，张正伟，吕昊泽，龚宇晨，曾钰涛，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏;32