基于神经网络的火灾早期预警方法、存储介质及终端设备技术

本发明专利技术提供一种基于神经网络的火灾早期预警方法、存储介质及终端设备，解决现有火灾预报警类产品需经常维护、铺设成本髙、产品可靠性低，预警具有局限性，效果难以达到预期的问题。该方法包括步骤1)采集红外图像并进行标注；2)搭建神经网络模型并训练，得到训练完成的网络模型；3)将待测图像输入网络模型，得到包含物体预测框的图像，并进行0值填充；对图像物体预测框外部进行处理，得到OSTU阈值T；选OSTU阈值T与设定经验阈值A中最大值，设为N；比较N与图像的物体预测框外部每个像素值，若该像素值≥N，将该像素值赋值为255，否则赋值为0；4)计算物体预测框外部的平均像素值，该平均像素值≥设定的预警阈值B，进行报警。进行报警。进行报警。

【技术实现步骤摘要】
基于神经网络的火灾早期预警方法、存储介质及终端设备


[0001]本专利技术属于火灾预警技术，具体涉及一种基于神经网络的火灾早期预警方法、存储介质及终端设备。

技术介绍

[0002]在各种灾害中，火灾是威胁公众安全和社会发展的主要灾害之一。居民楼、化工厂和工业仓储的用火用电行为，以及博物馆、大学实验室等场所危险物品、易燃易爆炸物品的存放，都可能引发火灾。火灾具有突发性髙、传播快、危险性大、难扑灭的特点，会给人类生命、财产以及国家经济带来不可估量的损失。为了能够及早发现火灾，达到防患于未然的效果，设置可靠有效的火灾预报警消防系统十分重要。
[0003]目前，现有火灾预报警类产品大多采用单点传感器，如感温传感器、感烟传感器，但这些设备常面临疏于维护、铺设成本髙、产品可靠性低等客观现实问题，以及由于其需要的温度、辐射光、浓烟、气体等物理量需在燃烧比较明显，或在传感器周围达到一定阈值才能采集到，此时通常已经失去处理火情的最佳时机，因而对于火灾预警具有一定的局限性，其效果难以达到预期。此外，这类传感器在室外或仓库、体育场等空旷场所，易受空间及气流影响，很难达到设定的阈值，不能起到良好的检测效果。

技术实现思路

[0004]为了解决现有火灾预报警类产品采用单点传感器，需经常维护、铺设成本髙、产品可靠性低，以及预警具有局限性，检测效果难以达到预期的技术问题，本专利技术提供了一种基于神经网络的火灾早期预警方法、存储介质及终端设备。
[0005]为实现上述目的，本专利技术提供的技术方案是：
[0006]一种基于神经网络的火灾早期预警方法，其特殊之处在于，包括以下步骤：
[0007]1)采集红外图像并对物体标注
[0008]1.1)采集预警场所的红外图像；
[0009]1.2)将采集的红外图像分辨率归一化为与神经网络输入端相适配的尺寸；
[0010]1.3)使用图像标注软件对归一化后红外图像中有温度但没有火灾隐患的物体进行标注，在图像上创建包围该物体的矩形框；
[0011]2)搭建并训练神经网络
[0012]搭建神经网络模型，将步骤1.3)的图像数据作为训练集，对神经网络模型进行训练，得到训练完成的网络模型；
[0013]3)判断火灾隐患
[0014]3.1)将待测红外图像输入步骤2)训练完成的网络模型中，得到包含物体预测框的红外图像，并对得到的检测图像的物体预测框内部进行像素0值填充；
[0015]3.2)使用OSTU自适应阈值算法对红外图像的物体预测框外部进行处理，得到OSTU阈值T；
[0016]3.3)选择OSTU阈值T与设定的经验阈值A中最大值，设为N；
[0017]3.4)比较N与图像的物体预测框外部的每个像素值，若该像素值大于等于N，将该像素值赋值为255，否则将该像素赋值为0；
[0018]4)火灾报警
[0019]计算图像物体预测框外部的平均像素值，若该平均像素值大于等于设定的预警阈值B，进行本地和远程报警，否则不予报警。
[0020]进一步地，步骤2具体为：
[0021]2.1)搭建YOLOV4神经网络模型，YOLOV4神经网络模型包括输入端、主干网络、特征金字塔和预测层；利用K
‑
means聚类生成不同尺度的先验框；
[0022]2.2)将1.3)标注后的图像作为YOLOV4神经网络模型中主干网络的输入，然后将标注后图像中矩形框尺寸调整为与YOLOV4神经网络模型输出值相适配的真实框尺寸；
[0023]2.3)将K
‑
means聚类得到的先验框通过预测层得到的调整参数调整为真实框,并通过位置损失函数、置信度损失函数、分类损失函数计算总损失值，直至总损失值收敛，训练完成。
[0024]进一步地，步骤1.2)中，红外图像分辨率归一化的尺寸为416
×
416或者 608
×
608。
[0025]进一步地，步骤2.3)中，还包括选择COCO数据集对权重进行预训练过程。
[0026]进一步地，步骤2.2)具体为：
[0027]2.2.1、将步骤1.3)得到的原始图像尺寸的矩形框调整为真实框的尺寸，真实框的尺寸为有效特征层的尺寸大小；
[0028]2.2.2、计算真实框在特征图上的中心点坐标和宽高值，真实框中心点坐标和宽高值都除以步长，得到真实框在特征图上的位置信息(G
x
，G
y
，G
w
，G
h
)；
[0029]2.2.3、使用下式计算真实框相对于先验框的偏移量和尺度缩放大小：
[0030][0031][0032][0033][0034]式中：C
x
、C
y
为特征图上网格点左上角坐标；
[0035]P
w
、P
h
为先验框宽高大小；
[0036]作为真实框数据参与损失函数的计算。
[0037]进一步地，步骤2.3)具体为：
[0038]2.3.1、使用下式将K
‑
means聚类得到先验框通过预测层得到的调整参数调整为真实框：
[0039]b
x
＝σ(t
x
)+C
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0040]b
y
＝σ(t
y
)+C
y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0041][0042][0043]式中：b
x
、b
y
、b
w
、b
h
为预测框中心坐标和宽高；
[0044]t
x
、t
y
、t
w
、t
h
为Yolo
‑
Head得到的4个调整参数；
[0045]C
x
、C
y
为相对于特征图左上角的偏移量；
[0046]P
w
、P
h
为先验框的宽高；
[0047]σ为sigmoid函数；
[0048]2.3.2、计算全部损失值loss：
[0049]loss＝location_loss+confidence_loss+classes_loss
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0050]其中，其中，
[0051][0052][0053][0054][0055][0056]式中：location_loss表示预测框的位置损失函数
[0057]confidence_loss表示预测框的置信度损失函数；
[0058]classes_本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的火灾早期预警方法，其特征在于，包括以下步骤：1)采集红外图像并对物体标注1.1)采集预警场所的红外图像；1.2)将采集的红外图像分辨率归一化为与神经网络输入端相适配的尺寸；1.3)使用图像标注软件对归一化后红外图像中有温度但没有火灾隐患的物体进行标注，在图像上创建包围该物体的矩形框；2)搭建并训练神经网络搭建神经网络模型，将步骤1.3)的图像数据作为训练集，对神经网络模型进行训练，得到训练完成的网络模型；3)判断火灾隐患3.1)将待测红外图像输入步骤2)训练完成的网络模型中，得到包含物体预测框的红外图像，并对得到的检测图像的物体预测框内部进行像素0值填充，在进行0值填充之前，首先要判断预测框内部物体是否属于正常温度范围，若属于正常温度范围，进行0值填充；否则，不进行0值填充。3.2)使用OSTU自适应阈值算法对红外图像的物体预测框外部进行处理，得到OSTU阈值T；3.3)比较OSTU阈值T与经验设定的阈值A，并选择两者最大值，记为N；3.4)比较N与图像物体预测框外部的每个像素值，若该像素值大于等于N，将该像素值赋值为255，否则将该像素赋值为0；4)火灾报警计算图像物体预测框外部的平均像素值，若该平均像素值大于等于设定的预警阈值B，进行本地和远程报警，否则不予报警。2.根据权利要求1所述基于神经网络的火灾早期预警方法，其特征在于，步骤2具体为：2.1)搭建YOLOV4神经网络模型，YOLOV4神经网络模型包括输入端、主干网络、特征金字塔和预测层；利用K
‑
means聚类生成不同尺度的先验框；2.2)将1.3)标注后的图像作为YOLOV4神经网络模型中主干网络的输入，然后将标注后图像中矩形框尺寸调整为与YOLOV4神经网络模型输出值相适配的真实框尺寸；2.3)将K
‑
means聚类得到的先验框通过预测层得到的调整参数调整为真实框,并通过位置损失函数、置信度损失函数、分类损失函数计算总损失值，直至总损失值收敛，训练完成。3.根据权利要求2所述基于神经网络的火灾早期预警方法，其特征在于：步骤1.2)中，红外图像分辨率归一化的尺寸为416
×
416或者608
×
608。4.根据权利要求3所述基于神经网络的火灾早期预警方法，其特征在于：步骤2.3)中，还包括选择COCO数据集对权重进行预训练过程。5.根据权利要求4所述基于神经网络的火灾早期预警方法，其特征在于，步骤2.2)具体为：2.2.1、将步骤1.3)得到的归一化后图像矩形框的尺寸调整为真实框的尺寸，真实框的尺寸为有效特征层的尺寸大小；2.2.2、计算真实框在特征图上的中心点坐标和宽高值，真实框中心点坐标和宽高值都
除以步长，得到真实框在特征图上的位置信息(G
x
，G
y
，G
w
，G
h
)；2.2.3、使用下式计算真实框相对于先验框的偏移量和尺度缩放大小：2.2.3、使用下式计算真实框相对于先验框的偏移量和尺度缩放大小：2.2.3、使用下式计算真实框相对于先验框的偏移量和尺度缩放大小：2.2.3、使用下式计算真实框相对于先验框的偏移量和尺度缩放大小：式中：C
x
、C
y
为特征图上网格点左上角坐标；P
w
、P
h
为先验框宽高大小；作为真实框数据参与损失函数的计算。6.根据权利要求5所述基于神经网络的火灾早期预警方法，其特征在于，步骤2.3)具体为：2.3.1、使用下式将K
‑
means聚类得到先验框通过预测层得到的调整参数调整为真实框：b
x
＝σ(t
x
)+C
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)b
y
＝σ(t
y
)+C
y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：李牧，何允帅，卢金波，
申请(专利权)人：南京精益安防系统科技有限公司，
类型：发明
国别省市：