基于动态卷积神经网络的火灾探测方法、装置及电子设备制造方法及图纸

本发明专利技术涉及一种基于动态卷积神经网络的火灾探测方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取火灾图像和非火灾图像，根据所述火灾图像和非火灾图像构建数据集；构建动态卷积神经网络，利用所述数据集对所述动态卷积神经网络进行训练，得到训练完备的动态卷积神经网络；获取待探测区域的实时视频数据，根据所述实时视频数据和所述训练完备的动态卷积神经网络得到火灾探测结果。本发明专利技术提供的基于动态卷积神经网络的火灾探测方法，提高了火灾探测精度，加快了检测速度。加快了检测速度。加快了检测速度。

【技术实现步骤摘要】
基于动态卷积神经网络的火灾探测方法、装置及电子设备


[0001]本专利技术涉及火灾探测
，尤其涉及一种基于动态卷积神经网络的火灾探测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]火灾作为最经常、最普遍地威胁公众安全和社会发展的主要灾害之一，对火灾进行及时有效的探测是有必要的，目前已存在大量的火灾探测方法，例如传统基于传感器信号的火灾探测方法，但利用传感器识别火灾容易受到外界环境因素的影响。
[0003]因此，基于深度学习、神经网络、视频识别等多种火灾探测方法应运而生，相比于传统火灾探测方法，他们的检测精度和检测速度都有提升，但现有的大多数火灾探测方法的检测精度仍然较低，检测速度也较慢。

技术实现思路

[0004]有鉴于此，有必要提供一种基于动态卷积神经网络的火灾探测方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中火灾探测精度低、检测速度慢的问题。
[0005]为了解决上述问题，本专利技术提供一种基于动态卷积神经网络的火灾探测方法，包括：
[0006]获取火灾图像和非火灾图像，根据所述火灾图像和非火灾图像构建数据集；
[0007]构建动态卷积神经网络，利用所述数据集对所述动态卷积神经网络进行训练，得到训练完备的动态卷积神经网络；
[0008]获取待探测区域的实时视频数据，根据所述实时视频数据和所述训练完备的动态卷积神经网络得到火灾探测结果。
[0009]进一步地，根据所述火灾图像和非火灾图像构建数据集，包括：
[0010]利用聚类算法对所述火灾图像和非火灾图像进行处理，得到处理后的图像，利用所述处理后的图像构建数据集。
[0011]进一步地，包括：
[0012]所述聚类算法为k
‑
means++。
[0013]进一步地，构建动态卷积神经网络，包括：
[0014]对YOLOv5网络模型进行改进，得到改进后的YOLOv5网络模型，根据所述改进后的YOLOv5网络模型构建动态卷积神经网络。
[0015]进一步地，包括：
[0016]所述YOLOv5网络模型包括输入端、Backbone部分、Neck部分及输出端。
[0017]进一步地，对所述YOLOv5网络模型进行改进，包括：
[0018]将所述YOLOv5网络模型中的卷积层替换为动态卷积层；
[0019]利用剪枝算法对所述Neck部分进行剪枝处理。
[0020]进一步地，包括:
[0021]所述剪枝算法为结构化剪枝算法。
[0022]本专利技术还提供了一种基于动态卷积神经网络的火灾探测装置，包括数据获取模块、网络训练模块及火灾探测模块；
[0023]所述数据获取模块，用于获取火灾图像和非火灾图像，根据所述火灾图像和非火灾图像构建数据集；
[0024]所述网络训练模块，用于构建动态卷积神经网络，利用所述数据集对所述动态卷积神经网络进行训练，得到训练完备的动态卷积神经网络；
[0025]所述火灾探测模块，用于获取待探测区域的实时视频数据，根据所述实时视频数据和所述训练完备的动态卷积神经网络得到火灾探测结果。
[0026]本专利技术还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的基于动态卷积神经网络的火灾探测方法。
[0027]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于动态卷积神经网络的火灾探测方法。
[0028]采用上述实施例的有益效果是：本专利技术提供的基于动态卷积神经网络的火灾探测方法，通过构建动态卷积神经网络，对动态卷积神经网络进行训练，得到训练完备的动态卷积神经网络，获取待探测区域的实时视频数据，根据待探测区域的实时视频数据和训练完备的动态卷积神经网络得到火灾探测结果，提高了火灾探测精度，加快了检测速度。
附图说明
[0029]图1为本专利技术提供的基于动态卷积神经网络的火灾探测装置的应用场景示意图；
[0030]图2为本专利技术提供的基于动态卷积神经网络的火灾探测方法一实施例的流程示意图；
[0031]图3为本专利技术实施例中提供的火灾图像和非火灾图像示意图；
[0032]图4为本专利技术实施例中提供的动态卷积神经网络的结构示意图；
[0033]图5为本专利技术实施例中提供的动态卷积示意图；
[0034]图6为本专利技术提供的基于动态卷积神经网络的火灾探测装置一实施例的结构框图；
[0035]图7为本专利技术提供的电子设备一实施例的结构框图。
具体实施方式
[0036]下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。
[0037]本专利技术提供了一种基于动态卷积神经网络的火灾探测方法、装置、电子设备及计算机可读存储介质，以下分别进行详细说明。
[0038]图1为本专利技术提供的基于动态卷积神经网络的火灾探测装置的应用场景示意图，该系统可以包括服务器100，服务器100中集成基于动态卷积神经网络的火灾探测装置，如图1中的服务器。
[0039]本专利技术实施例中服务器100主要用于：
[0040]获取火灾图像和非火灾图像，根据所述火灾图像和非火灾图像构建数据集；
[0041]构建动态卷积神经网络，利用所述数据集对所述动态卷积神经网络进行训练，得到训练完备的动态卷积神经网络；
[0042]获取待探测区域的实时视频数据，根据所述实时视频数据和所述训练完备的动态卷积神经网络得到火灾探测结果。
[0043]本专利技术实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本专利技术实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
[0044]可以理解的是，本专利技术实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
[0045]本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本专利技术方案一种应用场景，并不构成对本专利技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态卷积神经网络的火灾探测方法，其特征在于，包括：获取火灾图像和非火灾图像，根据所述火灾图像和非火灾图像构建数据集；构建动态卷积神经网络，利用所述数据集对所述动态卷积神经网络进行训练，得到训练完备的动态卷积神经网络；获取待探测区域的实时视频数据，根据所述实时视频数据和所述训练完备的动态卷积神经网络得到火灾探测结果。2.根据权利要求1所述的基于动态卷积神经网络的火灾探测方法，其特征在于，根据所述火灾图像和非火灾图像构建数据集，包括：利用聚类算法对所述火灾图像和非火灾图像进行处理，得到处理后的图像，利用所述处理后的图像构建数据集。3.根据权利要求2所述的基于动态卷积神经网络的火灾探测方法，其特征在于，包括：所述聚类算法为k
‑
means++。4.根据权利要求1所述的基于动态卷积神经网络的火灾探测方法，其特征在于，构建动态卷积神经网络，包括：对YOLOv5网络模型进行改进，得到改进后的YOLOv5网络模型，根据所述改进后的YOLOv5网络模型构建动态卷积神经网络。5.根据权利要求4所述的基于动态卷积神经网络的火灾探测方法，其特征在于，包括：所述YOLOv5网络模型包括输入端、Backbone部分、Neck部分及输出端。6.根据权利要求5所述的基于动态卷积神经网络的火灾...

【专利技术属性】
技术研发人员：陈西江，杜晓妍，张俊倩，安庆，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：