一种基于深度学习的火灾及烟雾实时检测方法技术

本发明专利技术涉及一种基于深度学习的火灾及烟雾实时检测方法，利用网络爬取得到的多场景的火灾和烟雾图像，然后搭建特征提取网络，最后利用特征提取网络得到的单一尺度特征图进行上采样和拼接、跳跃连接等操作构造出多尺度特征图，最后进行检测后处理操作，完成对于火灾和烟雾的实时检测。本发明专利技术结合实时监控视频，对危险区域如易燃易爆物品存放车间等区域做到24小时不间断实时检测，并可将检测结果可作为辅助的报警信息及时通知相关人员，实现了危险环境下对于火灾和烟雾的实时检测，降低了以往需要人员常态化巡逻的经济成本和时间成本，将突发火灾带来的危害大大降低，对人类社会生产生活具有非常重要的意义。

【技术实现步骤摘要】
一种基于深度学习的火灾及烟雾实时检测方法
本专利技术属于计算机视觉目标检测领域，涉及一种基于深度学习的火灾及烟雾实时检测方法
技术介绍
火灾是一种危及人们生活生产的突发灾害，因此如果能够及时监测到火灾则可以挽救人员生命和财产安全。目前使用率较高的是基于接触式传感器的火灾检测技术，这种方法虽然能够很方便地对火灾和烟雾进行检测，但受限于其工作原理，即基于火灾中温度变化或者利用火灾、烟雾的光学、电学等物理特性来进行火灾和烟雾检测，所以这种监测方法必须是在火灾达到一定程度之后才能进行报警。无法对早期的火灾和烟雾进行报警，因此基于传感器的火灾检测方式是不全面的。随着计算机视觉技术的飞速发展以及监控镜头的广泛应用，近些年来，越来越多的研究工作着眼于运用计算机视觉技术对图像或监控视频进行火灾和烟雾的自动检测和预警。基于计算机视觉的火灾和烟雾检测技术可分为的主要过程是利用图像提取相关特征，再将其送入到分类器中进行训练得到模型，在检测时由模型对图像中是否存在火灾和烟雾区域做出判断，因此最终检测模型的精度取决于图像特征的鲁棒性和分类器的分类精度。目前常用的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的火灾及烟雾实时检测方法，其特征在于步骤如下：/n步骤1、图像预处理：将火灾或烟雾图像从RGB色彩空间转换为HSI色彩空间，分离出来的亮度I值为连续变换值：/n将转换得到的HSI图像分块，原图像尺寸为H*W，分块图像尺寸为h*w，则共有

【技术特征摘要】
1.一种基于深度学习的火灾及烟雾实时检测方法，其特征在于步骤如下：
步骤1、图像预处理：将火灾或烟雾图像从RGB色彩空间转换为HSI色彩空间，分离出来的亮度I值为连续变换值：
将转换得到的HSI图像分块，原图像尺寸为H*W，分块图像尺寸为h*w，则共有个小块，按照从左到右，从上到下的顺序对图像块进行排序，对每个图像块进行直方图均衡；



其中：HE表示直方图均衡处理，Ii表示第i个图像块，表示经过直方图均衡后对应的图像块；
按分块时的顺序将图像块依次拼回，对于每个图像块的相邻处采用双线性插值进行平滑，
按照下式操作，由已知的四个点的像素值得到这四点围成矩形区域中任意一点的像素值；









其中：f(x，y)为插值得到的(x，y)处的像素值，f(x1，y1)为(x1，y1)处的像素值，f(x1，y2)、f(x2，y1)和f(x2，y2)；
将增强后的图像重新映射回RGB颜色空间，即得到视觉特征增强后的火灾和烟雾图像；
步骤2、网络模型的构建及训练：选择ResNet-34、ShuffleNet-V2或者Darknet-53轻量级网络作为主干网络，使用空洞卷积代替普通卷积，从而在特征提取阶段加入丰富的背景信息，加入特征增强处理来提取更具差异性的前景信息，从而获得对图像中火灾和烟雾区域进行高效特征提取的深度网络模型：
特征增强的操作流程为：
Me(F)＝F+Mc(F)+Ms(F+Mc(F))
其中：Me(F)表示注意力模块，Mc(F)表示通道注意力模块，Ms(F)表示空间注意力模块，F表示输入特征图；
所述Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F))
其中：MLP表示多层感知机，AvgPool表示平均池化操作，MaxPool表示最大池化操作，σ表示sigmoid函数；
所述σ



所述空间注意力Ms(F)
Ms(F)＝σ(f7*7([AvgPool(F)；AMaxPool(F)]))
其中：f7*7表示使用7*7的空洞卷积核对特征图进行卷积，[x1；x2]操作表示将x1与x2在通道维度上进行拼接；
采用分类损失、回归损失和置信度损失构建整个网络模型的损失函数，如下：
Loss＝α*Lcls+β*Lreg+γ*Lobj
其中Lcls为分类损失，Lreg为边界框回归损失...

【专利技术属性】
技术研发人员：李晖晖，袁翔，刘航，郭雷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61