一种基于深度学习的火情检测方法、装置、设备和介质制造方法及图纸

本申请公开了一种基于深度学习的火情检测方法、装置、设备和介质，对火情样本图像进行类别标注和火情区域标注，得到火情训练集；通过火情训练集训练预先构建的YOLOX网络，得到火情样本图像的火情区域预测框和类别置信度；根据火情样本图像的火情区域预测框和真实框计算检测框位置损失，根据火情样本图像的类别置信度和真实类别计算类别损失；通过类别损失和检测框位置损失更新YOLOX网络的网络参数，直至YOLOX网络收敛，得到火情检测模型；从监控视频数据中提取待检测图像，并通过火情检测模型对待检测图像进行火情检测，得到待检测图像的火情检测结果，改善了现有的火情检测方法存在的检测速度慢的技术问题。在的检测速度慢的技术问题。在的检测速度慢的技术问题。

【技术实现步骤摘要】
一种基于深度学习的火情检测方法、装置、设备和介质


[0001]本申请涉及火情检测
，尤其涉及一种基于深度学习的火情检测方法、装置、设备和介质。

技术介绍

[0002]随着社会经济的迅速发展，高层建筑火灾、森林火灾等安全事故日益突出并受到越来越多的关注。
[0003]目前，大部分基于图像的火情检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，人工干预较多、设计过程繁琐、复杂度较高且检测速度慢。因此，亟需一种高效快速的火情检测方法，能够可靠、快速地识别出火情，从而实现对火灾的提前预警，提升突发火情应急处置的时效性。

技术实现思路

[0004]本申请提供了一种基于深度学习的火情检测方法、装置、设备和介质，用于改善现有的火情检测方法存在的检测速度慢的技术问题。
[0005]有鉴于此，本申请第一方面提供了一种基于深度学习的火情检测方法，包括：
[0006]获取火情样本图像，对所述火情样本图像进行类别标注，并采用矩形框对所述火情样本图像中的火情区域进行标注，得到火情训练集；
[0007]通过所述火情训练集训练预先构建的YOLOX网络，通过所述YOLOX网络对所述火情训练集中的所述火情样本图像进行火情特征提取和火情分类，输出所述火情样本图像的火情区域预测框和类别置信度；
[0008]根据所述火情样本图像的火情区域预测框和真实框计算检测框位置损失，根据所述火情样本图像的类别置信度和真实类别计算类别损失；
[0009]通过所述类别损失和所述检测框位置损失更新所述YOLOX网络的网络参数，直至YOLOX网络收敛，得到火情检测模型；
[0010]从监控视频数据中提取待检测图像，并通过所述火情检测模型对所述待检测图像进行火情检测，得到所述待检测图像的火情检测结果。
[0011]可选的，所述YOLOX网络包括骨干网络、颈部网络和头部网络，所述骨干网络用于对输入图像进行特征提取，所述颈部网络用于对浅层特征、中层特征和深层特征进行特征融合，所述头部网络用于对输入特征进行分类和位置检测；
[0012]所述骨干网络包括注意力模块，所述注意力模块包括通道注意力模块和空间注意力模块，所述注意力模块用于通过所述通道注意力模块对输入特征进行通道维度上的特征提取，将提取到的通道注意力特征与输入特征相乘后输入到所述空间注意力模块进行空间维度上的特征提取，再将提取到的空间注意力特征与所述空间注意力模块的输入特征相乘，得到注意力特征。
[0013]可选的，所述通过所述通道注意力模块对输入特征进行通道维度上的特征提取，
包括：
[0014]通过所述通道注意力模块对输入特征分别进行最大池化处理和平均池化处理，得到第一池化特征和第二池化特征；
[0015]通过所述通道注意力模块分别对所述第一池化特征和所述第二池化特征依次进行通道降维、通道升维和非线性映射，得到第一中间特征和第二中间特征；
[0016]通过所述通道注意力模块对所述第一中间特征和所述第二中间特征相加后输入到Sigmoid激活函数中计算输入特征的通道权重，得到通道注意力特征。
[0017]可选的，所述将提取到的通道注意力特征与输入特征相乘后输入到所述空间注意力模块进行空间维度上的特征提取，包括：
[0018]将提取到的通道注意力特征与所述通道注意力模块的输入特征相乘，得到所述空间注意力模块的输入特征，将输入特征输入到所述空间注意力模块；
[0019]通过所述空间注意力模块在通道维度上对输入特征分别进行最大池化处理和平均池化处理，得到第三池化特征和第四池化特征；
[0020]通过所述空间注意力模块在通道维度上对所述第三池化特征和所述第四池化特征进行特征拼接，得到拼接特征；
[0021]通过所述空间注意力模块对所述拼接特征进行卷积处理，并将提取的卷积特征输入到Sigmoid激活函数中计算输入特征的空间权重，得到空间注意力特征。
[0022]可选的，所述颈部网络包括特征融合模块，所述特征融合模块包括上采样层、拼接层、CSP层和CBS层，CSP层包括第一分支、第二分支、拼接层、归一化层、激活层和CBS层，CBS层由卷积层、归一化层和激活层串联组成，等一分支由两个CBS层和卷积层串联组成，第二分支由卷积层组成；
[0023]所述特征融合模块，用于对深层特征进行上采样后与中层特征进行拼接，并通过CSP层对拼接得到的特征进行处理，得到第一融合特征；
[0024]将所述第一融合特征进行上采样后与浅层特征进行拼接，并通过CSP层对拼接得到的特征进行处理，得到第二融合特征；
[0025]将所述第二融合特征与浅层特征进行拼接后输入到CSP层进行处理，得到浅层融合特征；
[0026]将所述浅层融合特征输入到CBS层进行处理后与所述第一融合特征、中层特征进行拼接，通过CSP层对拼接得到的特征进行处理，得到中层融合特征；
[0027]将所述中层融合特征与深层特征进行拼接后输入到CSP层进行处理，得到深层融合特征。
[0028]可选的，所述颈部网络由3个特征融合模块串联组成。
[0029]可选的，所述根据所述火情样本图像的火情区域预测框和真实框计算检测框位置损失，包括：
[0030]根据所述火情样本图像的火情区域预测框和真实框计算交并比、火情区域预测框与真实框的中心点距离；
[0031]采用火情区域预测框和真实框的最小外接矩形的对角线长度对火情区域预测框与真实框的中心点距离矩形进行归一化处理，得到归一化中心点距离；
[0032]根据所述交并比和所述归一化中心节点距离计算检测框位置损失。
[0033]本申请第二方面提供了一种基于深度学习的火情检测装置，包括：
[0034]标注单元，用于获取火情样本图像，对所述火情样本图像进行类别标注，并采用矩形框对所述火情样本图像中的火情区域进行标注，得到火情训练集；
[0035]训练单元，用于通过所述火情训练集训练预先构建的YOLOX网络，通过所述YOLOX网络对所述火情训练集中的所述火情样本图像进行火情特征提取和火情分类，输出所述火情样本图像的火情区域预测框和类别置信度；
[0036]损失计算单元，用于根据所述火情样本图像的火情区域预测框和真实框计算检测框位置损失，根据所述火情样本图像的类别置信度和真实类别计算类别损失；
[0037]参数更新单元，用于通过所述类别损失和所述检测框位置损失更新所述YOLOX网络的网络参数，直至YOLOX网络收敛，得到火情检测模型；
[0038]火情检测单元，用于从监控视频数据中提取待检测图像，并通过所述火情检测模型对所述待检测图像进行火情检测，得到所述待检测图像的火情检测结果。
[0039]本申请第三方面提供了一种基于深度学习的火情检测设备，所述设备包括处理器以及存储器；
[0040]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0041]所述处理器用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的火情检测方法，其特征在于，包括：获取火情样本图像，对所述火情样本图像进行类别标注，并采用矩形框对所述火情样本图像中的火情区域进行标注，得到火情训练集；通过所述火情训练集训练预先构建的YOLOX网络，通过所述YOLOX网络对所述火情训练集中的所述火情样本图像进行火情特征提取和火情分类，输出所述火情样本图像的火情区域预测框和类别置信度；根据所述火情样本图像的火情区域预测框和真实框计算检测框位置损失，根据所述火情样本图像的类别置信度和真实类别计算类别损失；通过所述类别损失和所述检测框位置损失更新所述YOLOX网络的网络参数，直至YOLOX网络收敛，得到火情检测模型；从监控视频数据中提取待检测图像，并通过所述火情检测模型对所述待检测图像进行火情检测，得到所述待检测图像的火情检测结果。2.根据权利要求1所述的基于深度学习的火情检测方法，其特征在于，所述YOLOX网络包括骨干网络、颈部网络和头部网络，所述骨干网络用于对输入图像进行特征提取，所述颈部网络用于对浅层特征、中层特征和深层特征进行特征融合，所述头部网络用于对输入特征进行分类和位置检测；所述骨干网络包括注意力模块，所述注意力模块包括通道注意力模块和空间注意力模块，所述注意力模块用于通过所述通道注意力模块对输入特征进行通道维度上的特征提取，将提取到的通道注意力特征与输入特征相乘后输入到所述空间注意力模块进行空间维度上的特征提取，再将提取到的空间注意力特征与所述空间注意力模块的输入特征相乘，得到注意力特征。3.根据权利要求2所述的基于深度学习的火情检测方法，其特征在于，所述通过所述通道注意力模块对输入特征进行通道维度上的特征提取，包括：通过所述通道注意力模块对输入特征分别进行最大池化处理和平均池化处理，得到第一池化特征和第二池化特征；通过所述通道注意力模块分别对所述第一池化特征和所述第二池化特征依次进行通道降维、通道升维和非线性映射，得到第一中间特征和第二中间特征；通过所述通道注意力模块对所述第一中间特征和所述第二中间特征相加后输入到Sigmoid激活函数中计算输入特征的通道权重，得到通道注意力特征。4.根据权利要求2所述的基于深度学习的火情检测方法，其特征在于，所述将提取到的通道注意力特征与输入特征相乘后输入到所述空间注意力模块进行空间维度上的特征提取，包括：将提取到的通道注意力特征与所述通道注意力模块的输入特征相乘，得到所述空间注意力模块的输入特征，将输入特征输入到所述空间注意力模块；通过所述空间注意力模块在通道维度上对输入特征分别进行最大池化处理和平均池化处理，得到第三池化特征和第四池化特征；通过所述空间注意力模块在通道维度上对所述第三池化特征和所述第四池化特征进行特征拼接，得到拼接特征；通过所述空间注意力模块对所述拼接特征进行卷积处理，并将提取的卷积特征输入到
Sigmoid激活函数中计算输入特征的空间权重，得到空间注意力特征。5.根据权利要求2所述的基于深度学习的火情检测方法，其特征在于，所述颈部网络包括特征融合模块，所...

【专利技术属性】
技术研发人员：董化鹏，张力文，练俊健，栾元杰，
申请(专利权)人：天翼数字生活科技有限公司，
类型：发明
国别省市：