一种面向消防无人机的火情实时检测方法及系统技术方案

本发明专利技术公开了一种面向消防无人机的火情实时检测方法及系统，其中方法包括：实时获取目标火场图像，并对目标火场图像进行预处理；根据目标火场图像的像素颜色空间特征对火情进行判别，获得第一判别结果；利用YOLOV4图像识别模型提取目标火场图像的火焰深度特征，并基于火焰深度特征再次对火情进行判别，获得第二判别结果；通过融合判别函数对第一判别结果和第二判别结果按预设的权重系数相结合，进行融合判别，获得最终火情发生率；通过该方法可以有效降低虚警率与漏警率，从而提高火场救援的效率。的效率。的效率。

【技术实现步骤摘要】
一种面向消防无人机的火情实时检测方法及系统


[0001]本专利技术属于计算机视觉及模式识别
，特别是一种面向消防无人机的火情实时检测方法及系统。

技术介绍

[0002]火灾，作为社会中最常见的灾害之一，在人们的生活埋下很大的隐患；同时，随着社会的不断发展，工业化的程度不断上升，火灾发生的概率不断增大，带来的危害与日俱增。根据发现灾情的早晚，火灾带来的危害有着明显的不同。因此，在增强火灾防护、消除火灾隐患的同时，如何在火灾发生时，快速、有效地辨明火情也是至关重要的。
[0003]现在大多数火情监测的场所，火灾防控的重点大都在于传感器的安放，包括烟雾传感器的设置，红外线和激光传感器技术的引入等等。但是，此类传感器仅仅是起到一个火灾判明的作用，目的更多在于判别火情的有无，进一步的火源位置、强度，现在火情的状况等等关乎火灾救援能否顺利开展的指标则无法通过此类传感器准确的反应出来。现场具体火情勘探的重任则放在了救援战士的身上，然而，火场环境恶劣且瞬息万变，人工勘探火情无疑是十分危险的。
[0004]在面对恶劣的火场环境，应用无人机对火场进行火情探测是较为常见的思路，即由飞手操纵无人机去拍摄火场内部的画面，回传到指挥中心进行火情的分析。因此，目前火场无人机救援中，火情往往需要通过人工进行分析，效率低下的同时也会受到更多不稳定因素的影响。此时，无人机内部搭载火情判别模块则更为重要。
[0005]然而，现有的以像素特征为判据的火情判别方法存在一定的局限性，具有较高的虚警率，这无疑会给火灾救援带来许多冗余的工作量；因此，如何改进火情判决功能，降低虚警率与漏警率，从而提高火场救援的效率，成为当前研究的关键问题。

技术实现思路

[0006]鉴于上述问题，本专利技术提供一种至少解决上述部分技术问题的一种面向消防无人机的火情实时检测方法及系统，可以有效降低虚警率与漏警率，从而提高火场救援的效率。
[0007]一方面，本专利技术实施例提供了一种面向消防无人机的火情实时检测方法，包括：
[0008]S1、实时获取目标火场图像，并对所述目标火场图像进行预处理；
[0009]S2、根据目标火场图像的像素颜色空间特征对火情进行判别，获得第一判别结果；
[0010]S3、利用YOLOV4图像识别模型提取目标火场图像的火焰深度特征，并基于所述火焰深度特征再次对火情进行判别，获得第二判别结果；
[0011]S4、通过融合判别函数对所述第一判别结果和第二判别结果按预设的权重系数相结合，进行融合判别，获得最终火情发生率。
[0012]进一步地，还包括：
[0013]S5、将所述最终识别结果上传到上位机，并由上位机给出反馈，根据上位机的反馈结果，调整融合判别函数的权重系数，进而修正所述融合判别函数。
[0014]进一步地，所述预处理包括剔除模糊图像。
[0015]进一步地，所述S2具体包括；
[0016]以目标火场图像的像素信息为单位，提取目标火场图像中的颜色空间特征；
[0017]在特定颜色空间设置阈值，根据RGB颜色空间与HSV颜色空间的特征，分别比较各颜色空间特征与所设阈值，并将各颜色空间特征与阈值间的偏移量进行加权，计算第一火情发生率；
[0018]设置第一阈值，若所述第一火情发生率大于所述第一阈值，则将所述第一火情发生率作为第一判别结果。
[0019]进一步地，所述S3中，所述YOLOV4图像识别模型包括输入层、主干网络、颈部网络和预测输出层；
[0020]所述输入层，用于获取目标火场图像；
[0021]所述主干网络，用于在不同图像细粒度上聚合并形成多个图像特征；
[0022]所述颈部网络，用于对所述多个图像特征进行混合和组合，形成火焰深度特征；
[0023]所述预测输出层，用于采用YOLOV4智能识别算法，根据所述火焰深度特征再次对火情进行预测，生成火灾置信度的边界框，并将所述火灾置信度的边界框作为第二判别结果。
[0024]进一步地，所述YOLOV4智能识别算法使用了CSP Darknet53的主干特征提取网络，在加强特征提取网络使用了SPP和PANet结构，引入Mosaic进行数据增强，使用了CIOU作为回归LOSS，Mish作为激活函数。
[0025]进一步地，所述S4中，所述融合判别函数表示为：
[0026]γ＝ω
red
×
f
red
(γ
red
)+ω
y
o
l
o
×
f
y
o
l
o(γ
y
o
l
o)
[0027]γ≤γ
Th
[0028]其中，γ表示最终火情发生率；γ
red
表示第一判别结果；γ
yolo
表示第二判别结果；f
red
(
·
)表示第一判别结果的计算函数，ω
red
为对应的权重；f
yolo
(
·
)表示第二判别结果的计算函数，ω
yolo
为对应的权重；γ
Th
表示火情发生判决门限。
[0029]另一方面，本专利技术实施例提供了一种面向消防无人机的火情实时检测系统，应用上述的方法，该系统包括：数据获取模块、预处理模块、像素特征火情判别模块、智能算法火情判别模块和融合判别模块；其中：
[0030]所述数据获取模块，用于实时获取目标火场图像；
[0031]所述预处理模块，用于对所述目标火场图像进行预处理；
[0032]所述像素特征火情判别模块，用于根据目标火场图像的像素颜色空间特征对火情进行判别，获得第一判别结果；
[0033]所述智能算法火情判别模块，用于利用YOLOV4图像识别模型提取目标火场图像的火焰深度特征，并基于所述火焰深度特征再次对火情进行判别，获得第二判别结果；
[0034]所述融合判别模块，用于通过融合判别函数对所述第一判别结果和第二判别结果进行融合判别，获得最终火情发生率。
[0035]进一步地，还包括上位机；
[0036]所述上位机，用于获取所述最终火情发生率，并基于所述最终火情发生率对所述融合判别函数进行实时修正。
[0037]进一步地，所述YOLOV4图像识别模型包括输入层、主干网络、颈部网络和预测输出层；
[0038]所述输入层，用于获取目标火场图像；
[0039]所述主干网络，用于在不同图像细粒度上聚合并形成多个图像特征；
[0040]所述颈部网络，用于对所述多个图像特征进行混合和组合，形成火焰深度特征；
[0041]所述预测输出层，用于采用YOLOV4智能识别算法，根据所述火焰深度特征再次对火情进行判别，获得第二判别结果。
[0042]与现有技术相比，本专利技术记载的一种面向消防本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向消防无人机的火情实时检测方法，其特征在于，包括：S1、实时获取目标火场图像，并对所述目标火场图像进行预处理；S2、根据目标火场图像的像素颜色空间特征对火情进行判别，获得第一判别结果；S3、利用YOLOV4图像识别模型提取目标火场图像的火焰深度特征，并基于所述火焰深度特征再次对火情进行判别，获得第二判别结果；S4、通过融合判别函数对所述第一判别结果和第二判别结果按预设的权重系数相结合，进行融合判别，获得最终火情发生率。2.如权利要求1所述的一种面向消防无人机的火情实时检测方法，其特征在于，还包括：S5、将所述最终识别结果上传到上位机，并由上位机给出反馈，根据上位机的反馈结果，调整融合判别函数的权重系数，进而修正所述融合判别函数。3.如权利要求1所述的一种面向消防无人机的火情实时检测方法，其特征在于，所述预处理包括剔除模糊图像。4.权利要求1所述的一种面向消防无人机的火情实时检测方法，其特征在于，所述S2具体包括；以目标火场图像的像素信息为单位，提取目标火场图像中的颜色空间特征；在特定颜色空间设置阈值，根据RGB颜色空间与HSV颜色空间的特征，分别比较各颜色空间特征与所设阈值，并将各颜色空间特征与阈值间的偏移量进行加权，计算第一火情发生率；设置第一阈值，若所述第一火情发生率大于所述第一阈值，则将所述第一火情发生率作为第一判别结果。5.如权利要求1所述的一种面向消防无人机的火情实时检测方法，其特征在于，所述S3中，所述YOLOV4图像识别模型包括输入层、主干网络、颈部网络和预测输出层；所述输入层，用于获取目标火场图像；所述主干网络，用于在不同图像细粒度上聚合并形成多个图像特征；所述颈部网络，用于对所述多个图像特征进行混合和组合，形成火焰深度特征；所述预测输出层，用于采用YOLOV4智能识别算法，根据所述火焰深度特征再次对火情进行预测，生成火灾置信度的边界框，并将所述火灾置信度的边界框作为第二判别结果。6.如权利要求5所述的一种面向消防无人机的火情实时检测方法，其特征在于，所述YOLOV4智能识别算法使用了CSP Darknet53的主干特征提取网络，在加强特征提取网络使用了SPP和PANet结构，引入Mosaic进行数据增强，使用了CIOU作为回归LOSS，Mish作为激活函数。7.如权利要求1所述的一种面向消防无人机的火情实时检测方法，其特征在于，所述S4中，所述融合判别函数表示为：γ＝ω
red
×
f
red

【专利技术属性】
技术研发人员：谢拥军，高仕达，刘莹，
申请(专利权)人：珠海安擎科技有限公司，
类型：发明
国别省市：