火灾检测报警方法、相关系统、相关设备及存储介质技术方案

本发明专利技术提供了一种火灾检测报警方法，其包括步骤：获取监控数据；进行预处理并生成训练图像；通过神经网络模型进行深度学习训练以提取出高级特征图；将所述高级特征图通过所述神经网络模型进行特征增强模型处理；将所述高级特征图通过所述火焰检测模型进行火焰检测处理；将所述高级特征图中的图像截取并生成火焰框图；在应用系统中进行文字报警，并与火灾报警器联动实现火灾报警。本发明专利技术还提供了一种火灾检测报警系统、火灾检测报警设备以及计算机可读存储介质。与相关技术相比，采用本发明专利技术的技术方案可服务于各种场景下的火焰检测，并具有实时性好、检测结果精准、能精准检测到火焰位置和火焰检测效果良好。

【技术实现步骤摘要】
火灾检测报警方法、相关系统、相关设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种火灾检测报警方法、火灾检测报警系统、火灾检测报警设备以及计算机可读存储介质。
技术介绍
火灾是一种常见且容易发生的灾害,在生产生活中火灾对公众的生命与财产构成了重大威胁。由于火灾具有突发性而且危害大，所以构建准确有效的火焰识别算法对预防火灾拥有重要的意义。随着社会的进步与发展，各种摄像设备已经在我们的生活中得到了普及。为了加强城市、社区轨道交通安防工作的建设，从边缘监控设备获得的监控图像数据中快速得到有价值的信息，对于公安、城管等工作人员的安防工作来说尤为重要。图像的目标检测是近年来深度学习新兴领域，就是对图像中的目标进行定位和分类识别，利用目标检测的结果可以锁定图像中的目标，有利于工作人员对监控视频开展分析工作。目前，相关火焰检测算法大致可归纳为两类：基于传感器的火焰检测算法和基于图像的火焰检测算法。然而，目前有些场景下并不适合传感器方法的火焰检测，如室外、半室外场景。对于室外、半室外的等使用传感器效果不好的场景下，如何采用基于图像的火焰检测算法，并结合图像的目标检测没有具体的解决方案，如何实现高效的、基于图像的对图像中的火焰进行定位和分类识别、使用深度学习和传统方法多模式融合的火灾检测报警方法是个需要解决的问题。因此，实有必要提供一种新的方法、系统和设备来解决上述技术问题。
技术实现思路
本专利技术的目的是克服上述技术问题，提供一种可服务于各种场景下的火焰检测，并具有实时性好、检测结果精准、能精准检测到火焰位置和火焰检测效果良好的火灾检测报警方法、火灾检测报警系统、火灾检测报警设备以及计算机可读存储介质。为了实现上述目的，本专利技术提供一种火灾检测报警方法，该方法包括如下步骤：步骤S1、获取监控数据，所述监控数据为检测图片或火灾视频数据集；步骤S2、将所述监控数据进行数据预处理并生成训练图像；步骤S3、将所述训练图像和与其相对应的标记框坐标信息通过神经网络模型进行深度学习训练，并提取出所述训练图像的高级特征图；步骤S4、将所述高级特征图通过所述神经网络模型进行特征增强模型处理，并生成与所述高级特征图对应的火焰检测模型；步骤S5、将所述高级特征图通过所述火焰检测模型进行火焰检测处理，并生成所述高级特征图中的所述火焰位于该高级特征图中的火焰坐标框，所述火焰检测处理为非极大值抑制处理；步骤S6、将所述高级特征图中的所述火焰坐标框内的图像截取并生成火焰框图，将所述火焰框图进行图像识别判断是否为火焰；步骤S7、将所述火焰的时间和次数根据预设报警规则进行判断，若判断为火灾，则在应用系统中进行文字报警，并与火灾报警器联动实现火灾报警。优选的，所述步骤S2中，所述预处理包括如下步骤：步骤S21、判断所述监控数据；步骤S22、若所述监控数据为火灾视频数据集，则将所述火灾视频按照视频帧率进行逐帧转换为图片，读取N张图片，并进入步骤S23，其中，N为正整数，并满足：4≤N；若所述监控数据为检测图片，则读取N张图片，并进入步骤S23；步骤S23、将所述N张图片依次进行旋转处理、缩放处理以及色域变化处理，再按照预设方位或随机方位将处理后的所述N张图片进行组合拼接，并生成目标组合图像；步骤S24、将所述目标组合图像按照预设图片尺寸进行判断；步骤S25、若所述目标组合图像的尺寸大于所述预设图片尺寸，则根据所述预设图片尺寸进行计算得到图像缩小参数，再将所述目标组合图像根据所述图像缩小参数进行插值、黑边填充，并生成所述训练图像，所述图像缩小参数包括缩放比例、缩放尺寸以及黑边填充数值，并生成所述训练图像；若所述目标组合图像的尺寸小于所述预设图片尺寸，则将所述目标组合图像通过双线性插值法进行处理，并生成所述训练图像。优选的，N＝4。优选的，所述步骤S3中，所述神经网络模型包括Focus结构和CSP结构，所述深度学习训练包括如下步骤：步骤S31、将所述训练图像通过所述Focus结构依次进行每隔一像素的切片操作、整合拼接操作、卷积操作、批归一化以及激活Leaky_relu函数处理；步骤S32、将所述训练图像通过所述CSP结构提取出所述高级特征图；其中，所述CSP结构包括多个不同种类的残差网络结构，所述残差网络结构用于根据目标需求设定所述神经网络模型中的神经网络结构的深度与宽度。优选的，所述步骤S4中，所述神经网络模型包括SPP结构、FPN结构以及PAN结构，所述特征增强模型处理包括如下步骤：步骤S41、将所述高级特征图中的特征通过所述SPP结构进行多尺度的最大的池化操作，再进行拼接操作并生成高级特征，其中，所述SPP结构包括三组不同的所述池化操作；步骤S42、将所述高级特征通过所述FPN结构进行增强处理，以适应不同尺度缩放的目标检测；步骤S43、将所述高级特征通过所述PAN结构进行下采样处理，并生成对应的目标图像向量，所述下采样处理用于自底向上传达强定位特征。优选的，所述步骤S6中，所述图像识别判断包括颜色特征过滤、运动特征过滤以及均值方差过滤；所述颜色特征过滤为将所述火焰框图根据预设颜色阈值采用HSI或HSV颜色空间进行过滤，以实现将非火焰颜色动态范围内的目标进行过滤；所述运动特征过滤为将所述火焰框图根据预设频闪阈值进行过滤，以过滤掉不具有火焰频闪特征的目标；所述均值方差过滤为将所述火焰框图内每个像素值的计算出均值，再计算出每个所述像素值与所述均值的方差，根据所述方差进行判断，若所述火焰框图内所述像素值的总方差和大于预设的方差阈值，则判断为不是火焰，反之，则判断为火焰。优选的，所述步骤S7中，所述预设报警规则为预先设定时间阈值和次数阈值，若所述监控数据在所述时间阈值内检测出火焰的次数超过所述次数阈值，则判断为火灾；其中，时间阈值为时间值或者帧数值。本专利技术还提供一种火灾检测报警设备，包括处理器和存储器，所述处理器用于读取所述存储器中的程序，执行上中任一项所述的火灾检测报警方法中的步骤。本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如上中任意一项所述的火灾检测报警方法中的步骤。本专利技术还提供一种火灾检测报警系统，该系统包括：数据获取模块，用于获取监控数据；数据预处理模块，用于将所述监控数据进行数据预处理并生成训练图像；神经网络模型模块，用于将所述训练图像和与其相对应的标记框坐标信息通过神经网络模型进行深度学习训练，并提取出所述训练图像的高级特征图；还用于将所述高级特征图通过所述神经网络模型进行特征增强模型处理，并生成与所述高级特征图对应的火焰检测模型；还用于将所述高级特征图通过所述火焰检测模型进行火焰检测处理，并生成所述高级特征图中的所述火焰位于该高级特征图中的火焰坐标框，所述火焰检测处本文档来自技高网...

【技术保护点】
1.一种火灾检测报警方法，其特征在于，该方法包括如下步骤：/n步骤S1、获取监控数据，所述监控数据为检测图片或火灾视频数据集；/n步骤S2、将所述监控数据进行数据预处理并生成训练图像；/n步骤S3、将所述训练图像和与其相对应的标记框坐标信息通过神经网络模型进行深度学习训练，并提取出所述训练图像的高级特征图；/n步骤S4、将所述高级特征图通过所述神经网络模型进行特征增强模型处理，并生成与所述高级特征图对应的火焰检测模型；/n步骤S5、将所述高级特征图通过所述火焰检测模型进行火焰检测处理，并生成所述高级特征图中的所述火焰位于该高级特征图中的火焰坐标框，所述火焰检测处理为非极大值抑制处理；/n步骤S6、将所述高级特征图中的所述火焰坐标框内的图像截取并生成火焰框图，将所述火焰框图进行图像识别判断是否为火焰；/n步骤S7、将所述火焰的时间和次数根据预设报警规则进行判断，若判断为火灾，则在应用系统中进行文字报警，并与火灾报警器联动实现火灾报警。/n

【技术特征摘要】
1.一种火灾检测报警方法，其特征在于，该方法包括如下步骤：
步骤S1、获取监控数据，所述监控数据为检测图片或火灾视频数据集；
步骤S2、将所述监控数据进行数据预处理并生成训练图像；
步骤S3、将所述训练图像和与其相对应的标记框坐标信息通过神经网络模型进行深度学习训练，并提取出所述训练图像的高级特征图；
步骤S4、将所述高级特征图通过所述神经网络模型进行特征增强模型处理，并生成与所述高级特征图对应的火焰检测模型；
步骤S5、将所述高级特征图通过所述火焰检测模型进行火焰检测处理，并生成所述高级特征图中的所述火焰位于该高级特征图中的火焰坐标框，所述火焰检测处理为非极大值抑制处理；
步骤S6、将所述高级特征图中的所述火焰坐标框内的图像截取并生成火焰框图，将所述火焰框图进行图像识别判断是否为火焰；
步骤S7、将所述火焰的时间和次数根据预设报警规则进行判断，若判断为火灾，则在应用系统中进行文字报警，并与火灾报警器联动实现火灾报警。


2.根据权利要求1所述的火灾检测报警方法，其特征在于，所述步骤S2中，所述预处理包括如下步骤：
步骤S21、判断所述监控数据；
步骤S22、若所述监控数据为火灾视频数据集，则将所述火灾视频按照视频帧率进行逐帧转换为图片，读取N张图片，并进入步骤S23，其中，N为正整数，并满足：4≤N；
若所述监控数据为检测图片，则读取N张图片，并进入步骤S23；
步骤S23、将所述N张图片依次进行旋转处理、缩放处理以及色域变化处理，再按照预设方位或随机方位将处理后的所述N张图片进行组合拼接，并生成目标组合图像；
步骤S24、将所述目标组合图像按照预设图片尺寸进行判断；
步骤S25、若所述目标组合图像的尺寸大于所述预设图片尺寸，则根据所述预设图片尺寸进行计算得到图像缩小参数，再将所述目标组合图像根据所述图像缩小参数进行插值、黑边填充，并生成所述训练图像，所述图像缩小参数包括缩放比例、缩放尺寸以及黑边填充数值，并生成所述训练图像；
若所述目标组合图像的尺寸小于所述预设图片尺寸，则将所述目标组合图像通过双线性插值法进行处理，并生成所述训练图像。


3.根据权利要求2所述的火灾检测报警方法，其特征在于，N＝4。


4.根据权利要求1所述的火灾检测报警方法，其特征在于，所述步骤S3中，所述神经网络模型包括Focus结构和CSP结构，所述深度学习训练包括如下步骤：
步骤S31、将所述训练图像通过所述Focus结构依次进行每隔一像素的切片操作、整合拼接操作、卷积操作、批归一化以及激活Leaky_relu函数处理；
步骤S32、将所述训练图像通过所述CSP结构提取出所述高级特征图；其中，所述CSP结构包括多个不同种类的残差网络结构，所述残差网络结构用于根据目标需求设定所述神经网络模型中的神经网络结构的深度与宽度。


5.根据权利要求1所述的火灾检测报警方法，其特征在于，所述步骤S4中，所述神经网...

【专利技术属性】
技术研发人员：闫潇宁，武大硕，
申请(专利权)人：深圳市安软科技股份有限公司，深圳市安软慧视科技有限公司，
类型：发明
国别省市：广东;44