【技术实现步骤摘要】
一种火情监测方法及系统
[0001]本专利技术涉及消防
，特别是涉及一种火情监测方法及系统。
技术介绍
[0002]在社会生活中，火灾已成为威胁公共安全，危害人民群众生命财产的一种多发性灾害。火苗、烟雾和火花是火灾初期最常见的三类表现形式，在初期阶段及时发觉火情，有助于开展高效的火灾救援，从而最大限度地降低经济和生命损失。基于图像的火情监测相比人工巡查、接触式传感器等火灾监测手段，监管成本低，且不受空间距离和场景限制，因此成为了一项主要研究课题。
[0003]目前，大部分基于图像的火情监测方法主要采用传统图像处理算法，需要进行人工特征设计，设计过程繁琐且复杂度较高。近年来，也涌现了一些基于深度学习的火情监测方法（任锴,陈俊,叶宇煌,陈琪.基于SSD
‑
MobileNet的火情检测预警系统[J].电气开关,2020,58(01):34
‑
38.），通过卷积神经网络自动提取特征，但火苗、烟雾和火花等目标在监测过程中形态变化较大，视觉特征不稳定，导致现有火情监测方法的识别准确率有待...
【技术保护点】
【技术特征摘要】
1.一种火情监测方法，其特征在于，包括：构建火情监测数据集，所述火情监测数据集中包括包含烟雾的监测图像、包含火苗的监测图像和包含电火花的监测图像；构建形变自适应网络；采用所述火情监测数据集，以监测图像为输入，以火情的位置和类别为输出训练所述形变自适应网络，获得火情监测模型；所述火情的类别包括烟雾、火苗和电火花；采用所述火情监测模型对待监测区域实时获取的监测图像进行火情监测；所述形变自适应网络包括用于提取监测目标特征的骨干网络、第一形变自适应模块、第二形变自适应模块和第三形变自适应模块，还包括依次连接的区域建议网络、ROI Pooling层和检测头；所述骨干网络用于输出尺寸依次减小的特征图C1、特征图C2、特征图C3、特征图C4和特征图C5；所述第一形变自适应模块用于将特征图C5进行2倍的上采样后与特征图C4进行通道维度拼接，获得特征图DA
‑
Md
‑
5，特征图C5进行2倍的上采样后与特征图C4尺寸相同，将特征图DA
‑
Md
‑
5依次进行卷积核为1*3的卷积操作以及卷积核为3*1的卷积操作获得特征图DA
‑
Md
‑
51，将特征图DA
‑
Md
‑
5依次进行卷积核为3*3的卷积操作以及卷积核为5*5的卷积操作获得特征图DA
‑
Md
‑
52，将特征图DA
‑
Md
‑
51和特征图DA
‑
Md
‑
52进行逐像素加和获得特征图DA4；所述第二形变自适应模块用于将特征图DA4进行2倍的上采样后与特征图C3进行通道维度拼接，获得特征图DA
‑
Md
‑
4，特征图DA4进行2倍的上采样后与特征图C3尺寸相同，将特征图DA
‑
Md
‑
4依次进行卷积核为1*3的卷积操作以及卷积核为3*1的卷积操作获得特征图DA
‑
Md
‑
41，将特征图DA
‑
Md
‑
4依次进行卷积核为3*3的卷积操作以及卷积核为5*5的卷积操作获得特征图DA
‑
Md
‑
42，将特征图DA
‑
Md
‑
41和特征图DA
‑
Md
‑
42进行逐像素加和获得特征图DA3；所述第三形变自适应模块用于将特征图DA3进行2倍的上采样后与特征图C2进行通道维度拼接，获得特征图DA
‑
Md
‑
3，特征图DA3进行2倍的上采样后与特征图C2尺寸相同，将特征图DA
‑
Md
‑
3依次进行卷积核为1*3的卷积操作以及卷积核为3*1的卷积操作获得特征图DA
‑
Md
‑
31，将特征图DA
‑
Md
‑
3依次进行卷积核为3*3的卷积操作以及卷积核为5*5的卷积操作获得特征图DA
‑
Md
‑
32，将特征图DA
‑
Md
‑
31和特征图DA
‑
Md
‑
32进行逐像素加和获得特征图DA2；特征图DA4、特征图DA3和特征图DA2依次输入所述区域建议网络。2.根据权利要求1所述的火情监测方法，其特征在于，所述包含电火花的监测图像为基于工业相机在不同背景下拍摄的电火花图像。3.根据权利要求1所述的火情监测方法，其特征在于，所述骨干网络采用ResNet101。4.根据权利要求1所述的火情监测方法，其特征在于，所述采用所述火情监测模型对待监测区域实时获取的监测图像进行火情监测，具体包括：当所述火情监测模型输出的监测结果中包括火情的位置和类别，则发出火情预警信号。5.一种火情监测系统，其特征在于，包括：火情监...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。