一种基于改良DeeplabV3+的火焰早期烟雾检测方法技术

本发明专利技术公开了一种基于改良DeeplabV3+的火焰早期烟雾检测方法，包括：构建特定数据集并使用DeeplabV3+模型进行烟雾的识别；结合Unet优化DeeplabV3+并提高烟雾识别的精度。本发明专利技术较好地识别出图像中地烟雾区域预防火灾地发生；为DeeplabV3+模型地优化提供了新的思路。路。路。

【技术实现步骤摘要】
一种基于改良DeeplabV3+的火焰早期烟雾检测方法


[0001]本专利技术涉及火灾监测技术，具体涉及一种基于改良DeeplabV3+的火焰早期烟雾检测方法。

技术介绍

[0002]目前，火灾是在空间或是时间上失去控制的自然或非自然的燃烧，属于常见的灾害现象之一，火灾在各种场景下都有可能发生。火灾的发生会带来个人或社会上的巨大损失甚至危害生命，据统计，2022年第一季度共接报火灾21.9万起，人员伤亡近千人，直接损失财产约15.2亿元。从起火场所看，居住场所的火灾带来的人员伤亡最多，而对于仓库、森林等无人看管的场所，火灾所带来的经济损失更加严重。因此无论是在居住场所还是无人场所，如果能够在早期发现可能存在火情并找到火灾的发源地，就能尽可能降低大规模燃烧和爆炸的概率，减少大部分的损失。火灾早期以火焰不高，烟气较多且流动缓慢为特征，在火灾的该时期进行扑救，将损耗最少的人力物力。本项技术采取识别烟雾的方式来进行早期火焰的检测，采取烟雾识别来检测早期火情的原因主要有二：一是在火焰初发时，一般在视频图像中无法明确的观察到火焰，这是由于火焰在火苗阶段常常非常小，易被各种物体遮挡，即便火苗未被遮挡，也有可能会由于烟雾的原因无法清晰地观察到火苗，毫无疑问这会大大延后检测到火灾的时间点，而烟雾在图像中被观察到往往早于火焰；二是在某些情况下，火灾初期是无火的，例如公共场合未灭的烟头只有零星的火花和少量烟雾，又如电线老化时往往是先出现大规模的烟雾，随后遇到可燃物体导致火灾，这些情况下的早期火灾是没有火而只有烟的。在传感器的基础上的通过摄像头捕捉画面实时进行图像上的火焰检测是当今主流的研究方向之一，具有较高的研究价值，原因有如下三点：首先，布置摄像头较布置传感器来说更为经济且无需布置得十分密集，加之在大多数的公共场合本身就布置着摄像头，因此在硬件方面的布置成本非常低。其次是可维护性高，在算法通过验证有效的情况下，摄像头的维护成本远低于传感器，传感器需要经常性地定期检查存在的问题，而摄像头只需要通过画面即可判断摄像头是否存在问题。最后，基于图像的识别算法可扩展性高，这是由于摄像机除了可以安装在公共场合的固定位置，还可以装载于无人机或是无人巡逻车上，可以实现以较少的摄像机数完成较大范围的监控，如森林这一类的广阔区域不太可能通过安装大规模传感器进行监控，但可以通过无人机巡逻来进行火焰检测。总的来说，基于摄像机拍摄图像的识别方法是可靠且经济的。
[0003]目前研究中提出的基于烟雾的早期火焰识别可大致归为两类：通过烟雾图像识别进行的早期火焰检测和基于气体传感器的早期火焰检测。
[0004]早期的研究表明，在火焰燃烧初期产生的各种烟雾气体如C0、CO2可以作为早期火焰识别的重要依据，如使用光谱以探测气体浓度达到火灾预警的方法或是使用CO传感器来进行火焰的识别，然而通过CO传感器或是烟雾传感器需要等待房间内气体上升到一定浓度时才会报警，具有一定的延时性。随着计算机图形学的发展，更为经济的摄像机图像识别引起了研究者的注意，近年来学者们提出了对于烟雾图像检测的不同方法和方案。如采用金
字塔纹理和边缘特征的来对烟雾进行检测，采用运动检测的方法进行烟雾检测。可以看出，最早的烟雾图像检测方法主要针对烟雾的颜色纹理特征（静态特征）和烟雾的运动特征（动态特征）进行研究。
[0005]1.基于静态特征的图像烟雾识别：烟雾的主要静态特征为颜色、形状、纹理等，对于颜色特征，识别烟雾的图像算法与大部分算法一样通过颜色空间模型的各个通道的阈值界定进行识别，基于图像饱和度信息的颜色空间的烟雾检测方法对于灰色的烟雾工作良好。而对于形状，通常会通过对烟雾区域的面积分析和近似为椭圆进行比例上的分析来判断烟雾的区域。对于纹理而言，常常会通过灰度共生矩阵并结合纹理算子如哈尔特征算子进行纹理方面的识别。这三种传统的算法各有优劣，常常传统算法会将这三者结合起来以确保算法的可靠性。
[0006]2.基于动态特征特征的图像烟雾识别：烟雾的动态特征十分明显，会固定地往某一方向流动，基于这一基本原理，可以使用背景差分法进行烟雾地动态检测或是使用高斯混合模型来进行烟雾地图像检测。也有学者提出可以根据烟雾的非硬度带来的不规则物体运动现象，在贝叶斯分类器中应用多层光流计算和运动分布熵来检测烟雾的特殊运动，这种算法计算代价高，但可以较好地提取出烟雾特征。
[0007]这些基于静态的烟雾识别对灰白色且背景鲜明的烟雾效果良好，以识别烟雾的方式能够发现火灾的早期发生，多为现今烟雾识别领域的主流方法，不过在复杂环境条件下应用尚有不足，如基于颜色模型很难检测混有火焰或是背景与烟雾有颜色相似的烟雾，存在误检率高的问题。而基于动态特征地烟雾识别算法只适合场景中物体运动较少，除烟雾外相对静止的火灾画面的识别，并且不适用于无人机装载时摄像头移动的场景，基于光流计算的检测算法又因为计算成本太高，不能较好地应用到实际生产之中。总而言之，由于火灾情景繁多且干扰量大，这些传统方法难以达到预期效果。

技术实现思路

[0008]本专利技术的主要目的在于提供一种基于改良DeeplabV3+的火焰早期烟雾检测方法，针对灰黑色和灰白色烟雾的特点，构建一个合适的数据集，并实现DeeplabV3+模型下的烟雾检测。针对DeeplabV3+边缘噪点和过拟合的缺点，结合Unet模型改进模型结构，同时加入eca层，提高识别精度，该方法能够良好地达到烟雾视频识别的效果，最终提升烟雾识别的准确度。
[0009]本专利技术采用的技术方案是：一种基于改良DeeplabV3+的火焰早期烟雾检测方法，包括：构建特定数据集并使用DeeplabV3+模型进行烟雾的识别；结合Unet优化DeeplabV3+并提高烟雾识别的精度。
[0010]进一步地，所述构建特定数据集并使用DeeplabV3+模型进行烟雾的识别包括：构建一个VOC数据集，包含灰黑色和灰白色烟雾在内的400余张图片用于训练和测试；使用卷积神经网络，对于二维空间下的可积函数f(x,y)和g(x,y)，卷积的定义如下：
使用DeeplabV3+模型进行烟雾的识别，DeeplabV3+是一个由Encoder模型和Decoder模型组成的语义分割型。
[0011]更进一步地，所述Encoder模型包括：Encoder部分的第一阶段：该阶段进行一次简单的卷积和上采样产生一个low
‑
levelfeature作为第二阶段的输入并同时交予Decoder部分进行进一步处理；Encoder部分的第二阶段：采用空洞空间卷积池化金字塔模型ASPP进行处理，ASPP由一个1
×
1卷积，一个池化金字塔即三个3
×
3空洞卷积和一个ASPPpooling组成；ASPP接受了第一阶段输入的低级特征；进行一次1
×
1的卷积；并行进行了三次有着不同采样率的卷积；空洞卷积通过控制卷积时的填充和膨胀使得神经元获得不同尺度的特征提取；最后是一个ASPPPooing层处理，由一个1
×
1的池化，一个1...

【技术保护点】

【技术特征摘要】
1.一种基于改良DeeplabV3+的火焰早期烟雾检测方法，其特征在于，包括：构建特定数据集并使用DeeplabV3+模型进行烟雾的识别；结合Unet优化DeeplabV3+并提高烟雾识别的精度。2.根据权利要求1所述的基于改良DeeplabV3+的火焰早期烟雾检测方法，其特征在于，所述构建特定数据集并使用DeeplabV3+模型进行烟雾的识别包括：构建一个VOC数据集，包含灰黑色和灰白色烟雾在内的400余张图片用于训练和测试；使用卷积神经网络，对于二维空间下的可积函数f(x,y)和g(x,y)，卷积的定义如下：使用DeeplabV3+模型进行烟雾的识别，DeeplabV3+是一个由Encoder模型和Decoder模型组成的语义分割型。3.根据权利要求2所述的基于改良DeeplabV3+的火焰早期烟雾检测方法，其特征在于，所述Encoder模型包括：Encoder部分的第一阶段：该阶段进行一次简单的卷积和上采样产生一个low
‑
level feature作为第二阶段的输入并同时交予Decoder部分进行进一步处理；Encoder部分的第二阶段：采用空洞空间卷积池化金字塔模型ASPP进行处理，ASPP由一个1
×
1卷积，一个池化金字塔即三个3
×
3空洞卷积和一个ASPPpooling组成；ASPP接受了第一阶段输入的...

【专利技术属性】
技术研发人员：魏倩茹，章植萍，高炜，牛誉蓉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：