一种基于视频分析技术的火灾探测分析方法技术

本发明专利技术提供一种基于视频分析技术的火灾探测分析方法，包括根据获取的用于集合实时图像采集设备火灾场景和火灾尺度生成实际采集场景的火灾数据集；基于卷积神经网络，构建针对不同阶段的火灾数据集中目标火灾信息进行分析研判的卷积神经网络模型；以目标火灾信息作为训练特征信息代入至卷积神经网络模型训练，实现对目标火灾信息的多尺度目标检测；基于嵌入式计算机，分别在仅使用CPU进行测试的场景和使用CPU和GPU进行测试的场景对卷积神经网络模型进行调试；以依据优化后的算法模型展示的对目标火灾信息的多尺度目标检测数据作为确定输出的目标结果。本发明专利技术通过YOLOv4

【技术实现步骤摘要】
一种基于视频分析技术的火灾探测分析方法


[0001]本专利技术涉及火灾信息分析
，具体为一种基于视频分析技术的火灾探测分析方法。

技术介绍

[0002]随着社会的不断进步，城市规模的扩大和人口密度的增加，火灾已成为最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。根据数据分析发现，火灾主要集中在人员密集场所、仓储物流及高大建筑物内，造成了极大的人员和经济损失，社会影响也越来越大。
[0003]而通过采用视频分析技术，建立视频分析模型和算法，对视频数据的深度分析和研判，在火灾发生早期发现火灾并及预警，可以极大程度上减少人身财产安全损失，同时，也可以弥补目前广泛使用的感温型、感烟型和感光型探测器技术缺陷。
[0004]举例来说，感温、感烟和感光探测器受限于传感器的安装位置及探测有效距离，其探测范围受到制约，如高大空间建筑、长通道建筑里的火灾，通常难以及时探测到，且传感器判断基于单一特征，易受到环境光照、气流等干扰，从而产生误报或漏报，稳定性难以保证。此外，火灾产生的温度、烟雾、辐射等参量的传播需要时间，这也造成了响应的延迟。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术目的是提供一种基于视频分析技术的火灾探测分析方法，以解决上述
技术介绍
中提出的问题。
[0006]为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种基于视频分析技术的火灾探测分析方法，包括以下步骤：
[0007]第一步，数据准备
[0008]根据获取的用于集合实时图像采集设备火灾场景和火灾尺度生成实际采集场景的火灾数据集；
[0009]第二步，预设算法模型
[0010]基于卷积神经网络，构建针对不同阶段的火灾数据集中目标火灾信息进行分析研判的卷积神经网络模型；
[0011]第三步，实时对目标火灾信息进行检测
[0012]以目标火灾信息作为训练特征信息代入至卷积神经网络模型训练得到至少一个具备高语义信息的特征层，以实现对所述目标火灾信息的多尺度目标检测；
[0013]第四步，优化算法模型
[0014]基于嵌入式计算机，分别在仅使用CPU进行测试的场景和使用CPU和GPU进行测试的场景对所述卷积神经网络模型进行调试，以提高卷积神经网络模型对目标火灾信息的准确性；且，分别通过计算目标检测评估指标对卷积神经网络模型在所有类别上进行优劣衡量，得到优化算法模型后顺序执行第三步；
[0015]第五步，以依据优化后的算法模型所展示的目标火灾信息的多尺度目标检测数据作为确定输出的目标结果。
[0016]作为对本专利技术中所述一种基于视频分析技术的火灾探测分析方法的改进，第二步中，所述目标火灾信息包括实际采集场景中的烟雾图像信息和火焰图像信息，其中，采用YOLOv4
‑
Tiny算法建立卷积神经网络模型以训练目标火灾信息，卷积神经网络模型的具体构建方式为：
[0017]S2
‑
1、获取训练样本，其中，所述训练样本中至少标注有第一训练特征信息和第二训练特征信息，所述第一训练特征信息用于表征烟雾图像信息，所述第二训练特征信息用于表征烟雾图像信息；
[0018]S2
‑
2、采用所述第一训练特征信息和第二训练特征信息输入至YOLOv4
‑
Tiny算法网络同时进行训练，得到卷积神经网络模型。
[0019]作为对本专利技术中所述一种基于视频分析技术的火灾探测分析方法的改进，在步骤S2
‑
1中，获取训练样本时，需要基于shuffle洗牌算法，对所获取的火灾数据集中的火灾信息进行随机排列，以对卷积神经网络模型的训练真实性进行判断。
[0020]作为对本专利技术中所述一种基于视频分析技术的火灾探测分析方法的改进，第二步中，以YOLOv4
‑
Tiny算法建立的卷积神经网络模型采用CSPDarknet53作为骨干网络，且首先需要对其进行卷积、归一化和激活函数处理，其次，需要基于CSPBlock对其进行堆叠网络，以提高对目标火灾信息测的实时性，方便嵌入式应用于计算机，其中，激活函数为LeakyReLU激活函数，其数学表达式为：
[0021]式中，其中，a
i
是(1，+∞)区间内的固定参数，表示为常数。
[0022]作为对本专利技术中所述一种基于视频分析技术的火灾探测分析方法的改进，第三步中，得到至少一个具备高语义信息的特征层的方式是依据卷积神经网络模型采用的CSPDarknet53骨干网络所生成，且在得到所述具备高语义信息的特征层后，需要对其进行进行分类和回归预测预处理，以提高对目标火灾信息测的实时性。
[0023]作为对本专利技术中所述一种基于视频分析技术的火灾探测分析方法的改进，第四步中，目标检测评估指标包括YOLOv4
‑
Tiny的评价指标mAP、P
‑
R曲线、以及AP值，其中，
[0024]所述AP值用于衡量卷积神经网络模型在每个类别上的好坏；
[0025]所述评价指标mAP用于衡量卷积神经网络模型在所有类别上的好坏，且，在得到AP值后，所述评价指标mAP的计算方式为对所有AP取平均值。
[0026]作为对本专利技术中所述一种基于视频分析技术的火灾探测分析方法的改进，第五步中，在得到以目标火灾信息的多尺度目标检测数据作为确定输出的目标结果后，还需要对所述多尺度目标检测数据进行标记，其中，对所述多尺度目标检测数据进行标记的具体实施方式为：
[0027]基于VOC2007数据集的格式，创建Annotations、JPEGImages以及ImageSets文件夹，以用于存储标签文件、标签文件对应的图像文件以及火灾数据集的索引；
[0028]同时，使用labelImg标注图像工具对目标结果中包含火焰图像信息和烟雾图像信息的图片进行标注：标明位置和类型；
[0029]再将Annotations文件夹中存储的标签文件为XML格式，并使用代码将VOC格式转换为YOLO格式，得到包含对象类型和位置信息的文档，以作为新的训练特征数据，进行后续训练。
[0030]在本专利技术提出的一种可能实现方式中，在得到目标火灾信息之后，且在以目标火灾信息作为训练特征信息代入至卷积神经网络模型进行训练之前，需要对目标火灾信息中的图像进行防失真处理，其具体处理方式为：
[0031]需要采用YOLOv4
‑
Tiny算法在图像边缘添加灰度条后调整输入图像的大小，并将图像划分为不同大小的网格，以用于检测不同大小的对象，其中，根据划分的网格进行每个网格点负责单个区域的检测，若待检测图像的中心点落在该区域内，则该检测图像由该网格点进行标识。
[0032]与现有技术相比，本专利技术的有益效果：
[0033]首先，本专利技术通过YOLOv4
‑
Tiny模型实现了火灾的多尺度目标探测，基于YOLOv4
‑
Tiny算法降低了计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频分析技术的火灾探测分析方法，其特征在于：包括以下步骤：第一步，数据准备根据获取的用于集合实时图像采集设备火灾场景和火灾尺度生成实际采集场景的火灾数据集；第二步，预设算法模型基于卷积神经网络，构建针对不同阶段的火灾数据集中目标火灾信息进行分析研判的卷积神经网络模型；第三步，实时对目标火灾信息进行检测以目标火灾信息作为训练特征信息代入至卷积神经网络模型训练得到至少一个具备高语义信息的特征层，以实现对所述目标火灾信息的多尺度目标检测；第四步，优化算法模型基于嵌入式计算机，分别在仅使用CPU进行测试的场景和使用CPU和GPU进行测试的场景对所述卷积神经网络模型进行调试，以提高卷积神经网络模型对目标火灾信息的准确性；且，分别通过计算目标检测评估指标对卷积神经网络模型在所有类别上进行优劣衡量，得到优化算法模型后顺序执行第三步；第五步，以依据优化后的算法模型所展示的目标火灾信息的多尺度目标检测数据作为确定输出的目标结果。2.根据权利要求1所述的一种基于视频分析技术的火灾探测分析方法，其特征在于：第二步中，所述目标火灾信息包括实际采集场景中的烟雾图像信息和火焰图像信息，其中，采用YOLOv4
‑
Tiny算法建立卷积神经网络模型以训练目标火灾信息，卷积神经网络模型的具体构建方式为：S2
‑
1、获取训练样本，其中，所述训练样本中至少标注有第一训练特征信息和第二训练特征信息，所述第一训练特征信息用于表征烟雾图像信息，所述第二训练特征信息用于表征烟雾图像信息；S2
‑
2、采用所述第一训练特征信息和第二训练特征信息输入至YOLOv4
‑
Tiny算法网络同时进行训练，得到卷积神经网络模型。3.根据权利要求2所述的一种基于视频分析技术的火灾探测分析方法，其特征在于：在步骤S2
‑
1中，获取训练样本时，需要基于shuffle洗牌算法，对所获取的火灾数据集中的火灾信息进行随机排列，以对卷积神经网络模型的训练真实性进行判断。4.根据权利要求2所述的一种基于视频分析技术的火灾探测分析方法，其特征在于：第二步中，以YOLOv4
‑
Tiny算法建立的卷积神经网络模型采用CSPDarknet53作为骨干网络，且首先需要对其进行卷积、归一化和激活函数处理，其次，需要基于CSPBlock对其进行堆叠网络，以提高对目标火灾信息测的实时性，方便嵌入式应用于计算机，其中...

【专利技术属性】
技术研发人员：陈俊桦，夏鸣，吴雪峰，
申请(专利权)人：江苏南工科技集团有限公司，
类型：发明
国别省市：