基于多尺度特征的火灾检测方法、装置、存储介质和设备制造方法及图纸

本发明专利技术提供一种基于多尺度特征的火灾检测方法、装置、存储介质和设备，检测方法包括：获取初始图像训练样本；初始图像训练样本包括火焰和烟雾的图像；对初始图像训练样本进行预处理，得到目标图像训练样本；利用初始网络模型对目标图像训练样本进行特征提取，得到多尺度特征；多尺度特征包括至少三个特征通道的尺度特征，且相邻的两个特征通道的尺度特征存在上下文关系；根据各个特征通道的尺度特征的上下文关系进行自主学习，得到强化特征；根据强化特征对初始网络模型进行训练，得到训练后的目标网络模型；将待检测图像输入到目标网络模型，得到目标网络模型输出火灾检测结果。本发明专利技术可以同时识别烟雾和火焰，从而得到准确的火灾检测结果。灾检测结果。灾检测结果。

【技术实现步骤摘要】
基于多尺度特征的火灾检测方法、装置、存储介质和设备


[0001]本专利技术涉及火灾检测的
，具体涉及一种基于多尺度特征的火灾检测方法、装置、存储介质和设备。

技术介绍

[0002]火灾一直是危害人生命安全和企业生产安全的重大事故。在电厂中，由火灾导致重大安全事故的占比尤为高，而火灾发生具有可预见性小、蔓延速度快、危害性大的特点，所以如何快速并准确的检测和识别火灾变得非常关键。
[0003]现有的火灾识别算法，主要分为两类：第一类是通过设计各种特征描述子等方法提取出手工制作的烟雾或火焰特征（如颜色、纹理、运动特征等），然后通过手工设计的程序定义特征的阈值判定或者利用提取到的烟雾和火焰特征训练一个机器学习分类器来判定，从而实现烟雾和火焰的识别，但其存在以下缺陷和不足：1.手工制作的烟雾或火焰特征以及判定的条件和阈值是手工制作的，无法包含烟雾或火焰的所有特性，无法达到最优效果；2.算法适用场景单一，鲁棒性弱；3.输出为火焰和烟雾的分类结果，不包含烟雾和火焰的位置信息；4.算法只能识别烟雾和火焰中的一种，对于实际场景适用性不高。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征的火灾检测方法，其特征在于，包括：获取初始图像训练样本；所述初始图像训练样本包括火焰和烟雾的图像；对所述初始图像训练样本进行预处理，得到目标图像训练样本；利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征；所述多尺度特征包括至少三个特征通道的尺度特征，且相邻的两个特征通道的尺度特征存在上下文关系；根据各个所述特征通道的尺度特征的上下文关系进行自主学习，得到强化特征；根据强化特征对所述初始网络模型进行训练，得到训练后的目标网络模型；将待检测图像输入到所述目标网络模型，得到所述目标网络模型输出火灾检测结果。2.根据权利要求1所述的基于多尺度特征的火灾检测方法，其特征在于，所述对所述初始图像训练样本进行预处理，得到目标图像训练样本，包括：对所述初始图像训练样本分别进行旋转，水平翻转，对比度调整处理，得到旋转后的初始图像训练样本、水平翻转后的初始图像训练样本和对比度调整后的初始图像训练样本；将所述初始图像训练样本、旋转后的初始图像训练样本、水平翻转后的初始图像训练样本和对比度调整后的初始图像训练样本确定为目标训练样本。3.根据权利要求1所述的基于多尺度特征的火灾检测方法，其特征在于，所述利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征的步骤之前，包括：利用所述初始网络模型对所述目标图像训练样本进行下采样卷积处理、批量归一化处理和激活处理。4.根据权利要求1所述的基于多尺度特征的火灾检测方法，其特征在于，所述利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征的步骤，包括：利用残差模块对所述目标图像训练样本进行特征提取；其中，所述残差模块包括至少五个存在上下文关系的残差单元；将最后至少三个所述残差单元提取的特征确定为对应的所述特征通道的尺度特征，得到所述多尺度特征。5.根据权利要求4所述的基于多尺度特征的火灾检测方法，其特征在于，所述根据各个所述特征通道的尺度特征的上下文关系进行自主学习，得到强化特征的过程，包括：获取探究上文信息和下文信息后的特征，过程如下公式：；其中， 为探究上文信息和下文信息后的特征， 为归一化指数函数， 为包含上文信息的特征， 为包含下文信息的特征；计算强化特征，过程如下公式：；
其中， 为所述强化特征， 为对特征进行归一化， 为上文特征。6.一种基于多尺度特征的火灾检测装置，其特征...

【专利技术属性】
技术研发人员：田际，孙伟生，冯庭有，蔡承伟，单婕，江志宏，黄欢，颜景博，袁方雅，杨连凯，张龙，
申请(专利权)人：华能东莞燃机热电有限责任公司，
类型：发明
国别省市：