【技术实现步骤摘要】
火焰检测模型训练、火焰检测方法和装置
[0001]本公开涉及人工智能
,尤其涉及一种火焰检测模型训练、火焰检测方法和装置。
技术介绍
[0002]火灾事故给人们的生产、生活带来了巨大威胁。如果没有及时发现火情,可能会带来难以估量的损失。因此对于火灾的实时检测和预防变得尤为重要。
[0003]随着深度学习的快速发展,基于深度学习的目标检测方法以其强大的特征提取能力迅速的应用到各个领域,逐步替代了传统的目标检测方法。
技术实现思路
[0004]本公开提出了一种火焰检测模型训练、火焰检测方法和装置。
[0005]根据本公开的第一方面,提供了一种火焰检测模型训练方法,包括:获取第一样本图像集,所述第一样本图像集包括火焰样本图像和非火焰样本图像;生成所述第一样本图像集的温度热力图;根据第一样本图像集及其温度热力图,构建训练样本集,其中,所述训练样本集包括多个训练样本,每个训练样本包括样本的图像特征和温度热力图特征;根据所述训练样本集,训练火焰检测模型。
[0006]在一些实施例中,所述根据第一样本图像集及其温度热力图,构建训练样本集包括:在目标火场环境下,采集第二样本图像集及其温度热力图;根据第一样本图像集及其温度热力图、第二样本图像集及其温度热力图,构建训练样本集。
[0007]在一些实施例中,所述根据第一样本图像集及其温度热力图、第二样本图像及其温度热力图,构建训练样本集包括:将所述样本图像的温度热力图作为第四个通道特征,与所述样本图像的三通道图像特征进行堆叠,以得到四 ...
【技术保护点】
【技术特征摘要】
1.一种火焰检测模型的训练方法,包括:获取第一样本图像集,所述第一样本图像集包括火焰样本图像和非火焰样本图像;生成所述第一样本图像集的温度热力图;根据第一样本图像集及其温度热力图,构建训练样本集,其中,所述训练样本集包括多个训练样本,每个训练样本包括样本的图像特征和温度热力图特征;根据所述训练样本集,训练火焰检测模型。2.根据权利要求1所述的火焰检测模型训练方法,其中,所述根据第一样本图像集及其温度热力图,构建训练样本集包括:在目标火场环境下,采集第二样本图像集及其温度热力图;根据第一样本图像集及其温度热力图、第二样本图像集及其温度热力图,构建训练样本集。3.根据权利要求2所述的火焰检测模型训练方法,其中,所述根据第一样本图像集及其温度热力图、第二样本图像及其温度热力图,构建训练样本集包括:将所述样本图像的温度热力图作为第四个通道特征,与所述样本图像的三通道图像特征进行堆叠,以得到四通道特征数据;按照预设比例,将所述四通道特征数据中的一部分作为训练样本。4.根据权利要求3所述的火焰检测模型训练方法,还包括:在所述按照预设比例,将所述四通道特征数据中的一部分作为训练样本之前,执行以下至少一项预处理:将第一样本图像集和第二图像集中的样本图像和其温度热力图设置为相同尺寸;对第一样本图像集和第二图像集中的所有样本图像进行中值滤波;利用多尺度视网膜增强算法,对火焰样本图像进行增强处理;对所述温度热力图进行直方图均衡化处理。5.根据权利要求1所述的火焰检测模型训练方法,其中,所述火焰检测模型包括第一特征提取网络模块、以及第二特征提取网络模块,所述根据所述训练样本集,训练火焰检测模型包括:利用第一特征提取网络模块对训练样本的图像特征进行编码,以得到编码后的图像特征;利用第二特征提取网络模块对训练样本的温度热力图特征进行编码,以得到编码后的温度特征;对所述编码后的图像特征和所述编码后的温度特征进行拼接,以得到所述训练样本的拼接特征;根据所述训练样本的拼接特征,确定所述训练样本的类别预测结果;根据所述训练样本的类别预测结果与所述训练样本的真实类别标签,确定损失函数值;根据所述损失函数值,对所述火焰检测模型进行迭代更新。6.根据权利要求1所述的火焰检测模型训练方法,其中,所述生成所述第一样本图像集的温度热力图包括:在所述样本图像为火焰样本图像的情况下,根据火焰颜色通道约束条件,从所述火焰样本图像中提取火焰颜色特征区域;
根据所述火焰颜色特征区域,确定火焰主体轮廓;确定以所述火焰主体轮廓为中心的多个温度赋值区域;根据火焰温度扩散模拟函数,对所述多个温度赋值区域中的像素点进行温度赋值,以得到所述火焰样本图像的温度热力图。7.根据权利要求6所述的火焰检测模型训练方法,其中:所述火焰颜色通道约束条件为RGB颜色空间或HSV颜色空间中的颜色通道约束条件;和...
【专利技术属性】
技术研发人员:张勇,张佳庆,徐小东,王磊,李忠涵,高志刚,刘睿,叶家良,
申请(专利权)人:国网安徽省电力有限公司电力科学研究院,
类型:发明
国别省市:
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。