一种基于深度学习的烟雾检测方法技术

本发明专利技术公开了一种基于深度学习的烟雾检测方法，包括以下步骤：(1)采集原始图像数据集；(2)对图像进行预处理；(3)将图像输入到卷积神经网络模型中进行训练；(4)将模型在实际场景下进行应用，进行烟雾检测；(5)输出检测结果，保存检测到的烟雾图像。本发明专利技术对大场景下产生的不同类型烟雾能够有效的识别，降低场景中非烟雾物体引起的误报率，并结合实际场景进行实验，有效提高了烟雾检测率和场景下的实时响应率。响应率。响应率。

【技术实现步骤摘要】
一种基于深度学习的烟雾检测方法


[0001]本专利技术涉及烟雾检测，特别是一种基于深度学习的烟雾检测方法。

技术介绍

[0002]火灾一旦发生，会给社会带来严重的生命财产损失。烟雾作为火灾发生的前期标志，及时有效并准确地检测到烟雾对防火救灾有着重要意义。目前，大多数室内外采用传感器对烟雾颗粒进行检测预警，由于烟雾的扩散性，检测到烟雾时烟雾已经扩散开，无法进行实时性检测预警。烟雾检测主要完成的是在烟雾产生的第一时间及时准确的检测到烟雾，定位到该处，及时响应发出预警，避免火灾的发生降低损失。从传统的传感器检测烟雾到基于图像、视频输入，对每一帧图像进行分析，再到现在的基于深度学习的方法对图像或视频进行烟雾特征分析，一步步提高了烟雾检测的效率以及准确率。但在室外场景下，由于拍摄角度有限，烟雾检测仍然存在漏报误报以及未能及时检测并响应。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种基于深度学习的烟雾检测方法，从而提高烟雾检测率，降低误报率。
[0004]技术方案：本专利技术所述的一种基于深度学习的烟雾检测方法，包括以下步骤：
[0005](1)采集原始图像数据集；
[0006](2)对图像进行预处理；
[0007](3)将图像输入到卷积神经网络模型中进行训练；
[0008](4)将模型在实际场景下进行应用，进行烟雾检测；
[0009](5)输出检测结果，保存检测到的烟雾图像。
[0010]所述步骤(1)具体为：
[0011](1.1)在待检测场景下使用烟片进行点烟实验；
[0012](1.2)获取场景下烟雾产生时烟雾图像和场景下非烟雾图像；
[0013](1.3)烟雾和非烟雾图像以bmp格式保存。
[0014]所述步骤(2)具体为：
[0015](2.1)将图像格式由bmp转换成png；
[0016](2.2)对图像进行分类和预处理，改变图像尺寸以及分辨率，使其符合神经网络模型的输入要求。
[0017]所述步骤(3)具体为：
[0018](3.1)构建卷积神经网络模型；
[0019](3.2)将图像输入卷积神经网络进行模型的训练，调整模型结构以及参数，选用合适的损失函数使得模型能够识别多种烟雾特征，在不同天气、环境等多种因素影响的情况下对不同类型烟雾特征进行识别，同时与背景环境中非烟雾物体进行区分，对烟雾图像和非烟雾图像进行很好的分辨。
[0020]所述步骤(4)具体为：
[0021](4.1)将训练好的模型结合实时视频监控，对场景中产生的烟雾进行识别检测；
[0022](4.2)进行点烟实验，当有烟雾产生时，是否有实时检测响应。
[0023](4.3)产生响应后，定位至该处，并保存烟雾及非烟雾图像至指定文件夹，定期查看维护；若无响应，调整模型继续进行实验。
[0024]一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于深度学习的烟雾检测方法。
[0025]一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于深度学习的烟雾检测方法。
[0026]有益效果：与现有技术相比，本专利技术具有如下优点：对大场景下产生的不同类型烟雾能够有效的识别，降低场景中非烟雾物体引起的误报率，并结合实际场景进行实验，有效提高了烟雾检测率和场景下的实时响应率。
附图说明
[0027]图1为本专利技术的步骤流程图。
具体实施方式
[0028]下面结合附图对本专利技术的技术方案作进一步说明。
[0029]实施例1：
[0030]如图1所示，一种基于深度学习的烟雾检测方法，包括以下步骤：
[0031](1)采集原始图像数据集；
[0032](2)对图像进行预处理；
[0033](3)将图像输入到卷积神经网络模型中进行训练；
[0034](4)将模型在实际场景下进行应用，进行烟雾检测；
[0035](5)输出检测结果，保存检测到的烟雾图像。
[0036]所述步骤(1)具体为：
[0037](1.1)在待检测场景下使用烟片进行点烟实验；
[0038](1.2)获取场景下烟雾产生时烟雾图像和场景下非烟雾图像；
[0039](1.3)烟雾和非烟雾图像以bmp格式保存。
[0040]所述步骤(2)具体为：
[0041](2.1)将图像格式由bmp转换成png；
[0042](2.2)对图像进行分类和预处理，改变图像尺寸以及分辨率，使其符合神经网络模型的输入要求。
[0043]所述步骤(3)具体为：
[0044](3.1)构建卷积神经网络模型；
[0045](3.2)将图像输入卷积神经网络进行模型的训练，调整模型结构以及参数，选用合适的损失函数使得模型能够识别多种烟雾特征，在不同天气、环境等多种因素影响的情况下对不同类型烟雾特征进行识别，同时与背景环境中非烟雾物体进行区分，对烟雾图像和
非烟雾图像进行很好的分辨。
[0046]所述步骤(4)具体为：
[0047](4.1)将训练好的模型结合实时视频监控，对场景中产生的烟雾进行识别检测；
[0048](4.2)进行点烟实验，当有烟雾产生时，是否有实时检测响应。
[0049](4.3)产生响应后，定位至该处，并保存烟雾及非烟雾图像至指定文件夹，定期查看维护；若无响应，调整模型继续进行实验。
[0050]实施例2：
[0051]一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于深度学习的烟雾检测方法。
[0052]实施例3：
[0053]一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于深度学习的烟雾检测方法。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的烟雾检测方法，其特征在于，包括以下步骤：(1)采集原始图像数据集；(2)对图像进行预处理；(3)将图像输入到卷积神经网络模型中进行训练；(4)将模型在实际场景下进行应用，进行烟雾检测；(5)输出检测结果，保存检测到的烟雾图像。2.根据权利要求1所述的一种基于深度学习的烟雾检测方法，其特征在于，所述步骤(1)具体为：(1.1)在待检测场景下使用烟片进行点烟实验；(1.2)获取场景下烟雾产生时烟雾图像和场景下非烟雾图像；(1.3)烟雾和非烟雾图像以bmp格式保存。3.根据权利要求1所述的一种基于深度学习的烟雾检测方法，其特征在于，所述步骤(2)具体为：(2.1)将图像格式由bmp转换成png；(2.2)对图像进行分类和预处理，改变图像尺寸以及分辨率，使其符合神经网络模型的输入要求。4.根据权利要求1所述的一种基于深度学习的烟雾检测方法，其特征在于，所述步骤(3)具体为：(3.1)构建卷积神经网络模型；(3.2)将图像输入卷积神经网络进行模型...

【专利技术属性】
技术研发人员：卫玉蓉，
申请(专利权)人：的卢技术有限公司，
类型：发明
国别省市：