基于浅层引导深层特征融合的早期火灾检测方法技术

一种基于浅层引导深层特征融合的早期火灾检测方法，包括以下步骤：1、使用缩放和池化操作降低输入特征图的尺寸；2、采用SGD模块将赋予每个浅层特征通道不同权重，为后续深层通道特征融合提供引导；3、使用骨干网络对输入特征进行提取，并对深层特征中的通道进行融合；4、对于融合后的深层特征进行处理，进一步提取融合后的特征；5、采用检测头对输出特征进行处理，得到视频帧的早期火灾检测结果。本方法可以有效检测到早期火灾，具有延迟低，准确率高的特点。的特点。的特点。

【技术实现步骤摘要】
基于浅层引导深层特征融合的早期火灾检测方法


[0001]本专利技术涉及计算机视觉领域中火灾检测
，提出了一种基于浅层引导深层特征融合的早期火灾检测方法。

技术介绍

[0002]火灾是一种常见的灾害，不仅会造成巨大的损失，还会危及生命和财产安全。如果能在火灾初期检测到火灾发生，及时做出报警并采取灭火措施，将会大大减少火灾造成的损失。
[0003]传统的火灾探测方法主要包括温度感应、烟雾感应、气体感应等，通过探测环境的变化来判断是否发生火灾。然而，这种传统的火灾探测方法对环境的要求很高，在开放的环境中灵敏度明显降低，从点火到报警所需的时间也较长。当报警发生时，火势往往已经蔓延，难以控制。基于计算机视觉的早期火灾检测方法可以有效克服传统火灾探测方式对于环境的依赖性，吸引了越来越多的研究者的关注，其检测精度不断提高，检测时间也在逐渐缩短，但仍然无法较好的满足实际应用的需求。主要挑战在于：1)有些方法直接使用其他成熟的网络模型，没有针对单一类型火灾的检测进行调整和优化。2)有些方法忽略了不同阶段火焰的大小，针对大尺寸的火焰识别效果较好。而早期火灾的火焰尺寸较小，比发展阶段的火灾更难识别。3)有些方法没有平衡网络模型大小和识别精度之间的关系：一方面，为了追求更高的精度，设计了含有较多参数量的大型网络模型，造成巨大的时间消耗。另一方面，有些方法片面追求网络模型的轻量性，牺牲过多的检测精度。
[0004]诸如中国专利文献CN111341059A公开了一种基于深度分离和目标感知的早期野火烟雾检测方法和装置。将样本图像和目标图像分别输入目标感知深度网络得到第一深度特征矩阵和第二深度特征矩阵，分离特征矩阵进行卷积操作，获取烟雾响应矩阵的最大值，与阈值比较确定烟雾位置。
[0005]诸如中国专利文献CN115424116A公开了一种轻量级卷积神经网络的火灾检测方法，获取特高压换流变压器区域图像，输入到预先训练好的火灾识别网络模型得到火灾检测结果。
[0006]然而，这些技术文献均存在上述挑战，本申请研发团队致力于通过融合网络浅层和深层特征来解决现有技术中存在的这些问题。

技术实现思路

[0007]鉴于现有技术中存在的技术问题，本专利技术旨在提出一种轻量级的早期火灾检测方法——浅层引导深层特征融合早期火灾检测方法，根据早期火灾的特点，对现有模型进行了针对性的改进，融合了网络的浅层和深层特征，在缩小规模的同时保证了模型的精度，同时使用了多线程技术，有效地提高了算法的执行效率和稳定性。
[0008]具体而言，本专利技术的目的在于提供一种基于浅层引导深层特征融合的早期火灾检测方法，该方法包括以下步骤：
[0009]步骤A：使用缩放和池化操作降低输入特征图的尺寸；
[0010]步骤B：采用SGD模块将赋予每个浅层特征通道不同权重，为后续深层通道特征融合提供引导；
[0011]步骤C：使用骨干网络对输入特征进行提取，并对深层特征中的通道进行融合；
[0012]步骤D：对于融合后的深层特征进行处理，进一步提取融合后的特征；
[0013]步骤E：采用检测头对输出特征进行处理，得到视频帧的早期火灾检测结果。
[0014]进一步，其中步骤A具体包括如下步骤：
[0015]步骤A01：对输入图像进行自适应图像缩放，将输入图片统一为640
×
640大小；
[0016]步骤A02：使用2
×
2的卷积核对步骤A01处理后的图像进行步长为2的最大值池化操作，将图像尺寸缩小至320
×
320。
[0017]其中步骤B具体包括如下步骤：
[0018]步骤B01：对于输入图像在RGB颜色空间中进行拆分,
[0019][R,G,B]＝split(frame)
[0020]其中frame为步骤1)处理后得到的特征图，split(
·
)为OpenCV中的通道拆分函数，将RGB颜色空间中的图像分别拆分为R、G、B通道，得到各通道特征[R,G,B]。
[0021]步骤B02：将R、G、B通道的特征转化为YCbCr颜色空间中的特征。
[0022][0023]其中R、G、B为步骤B01中拆分后得到的通道特征，cuda()表示使用在GPU(Graphics Processing Unit，图形处理器)上进行矩阵的乘法运算以提高计算速度，Y、Cb、Cr表示由R、G、B通道转换而来的Y、Cb、Cr通道特征。
[0024]步骤B03:对于步骤B02中得到的Y、Cb、Cr通道特征进行压缩处理，
[0025][0026]其中X＝[X
Y
,X
Cb
,X
Cr
],表示Y、Cb、Cr通道的特征，H和W分别表示各通道特征图的高度和宽度，Y＝[Y
Y
,Y
Cb
,Y
Cr
]为一维向量，表示Y、Cb、Cr通道经过计算得到的均值。
[0027]步骤B04：对于步骤B03中得到的Y进行激活处理，得到浅层特征中各个通道的权重,
[0028]W＝σ(FC(Relu(FC(Y))))
[0029]其中σ表示sigmoid激活函数，FC表示全连接层，Relu表示Relu激活函数，W表示经过处理后得到的各通道权重。
[0030]步骤B05：使用步骤B04中得到的权重W对步骤B02得到的表示Y、Cb、Cr通道特征的X进行更新，
[0031][0032]其中表示逐通道相乘，表示对输入图像经过权重更新后得到的融合后的浅层特征。
[0033]进一步，其中步骤C具体包括如下步骤：
[0034]步骤C01：对于输入的特征进行通道拆分，平均分为两个通道的特征。
[0035][0036]其中i＝1，2。Avg_split表示将输入特征平均拆分成两份。
[0037]步骤C02：对于步骤C01中得到的拆分后的特征进行1
×
1的卷积操作：
[0038][0039]其中i＝1，2。Conv2D1×1表示1
×
1的卷积操作。
[0040]步骤C03：对于步骤C02中得到的进行通道打散操作。
[0041][0042]其中i＝1，2。Shuffle表示通道打散操作。即将每个通道的特征进行打散操作。
[0043]步骤C04：对于步骤C03中得到的进行3
×
3卷积操作：
[0044][0045]其中i＝1，2。Conv2D3×3表示3
×
3的卷积操作。
[0046]步骤C05：对于步骤C04中得到的进行1
×
1的卷积操作：
[0047][0048]其中i＝1，2。Conv2D1×1表示1
×
1的卷积操作。
[0049]步骤C06：对于步骤C05得到的进行concat拼接操作：
[0050][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于浅层引导深层特征融合的早期火灾检测方法，其特征在于，包括以下步骤：步骤A：使用缩放和池化操作降低输入特征图的尺寸；步骤B：采用SGD模块将赋予每个浅层特征通道不同权重，为后续深层通道特征融合提供引导；步骤C：使用骨干网络对输入特征进行提取，并对深层特征中的通道进行融合；步骤D：对于融合后的深层特征进行处理，进一步提取融合后的特征；步骤E：采用检测头对输出特征进行处理，得到视频帧的早期火灾检测结果。2.根据权利要求1所述的方法，其中步骤A具体包括如下步骤：步骤A01：对输入图像进行自适应图像缩放，将输入图片统一为640
×
640大小；步骤A02：使用2
×
2的卷积核对步骤A01处理后的图像进行步长为2的最大值池化操作，将图像尺寸缩小至320
×
320。3.根据权利要求1所述的方法，其中步骤B具体包括如下步骤：步骤B01：对于输入图像在RGB颜色空间中进行拆分,[R,G,B]＝split(frame)其中frame为步骤1)处理后得到的特征图，split(
·
)为OpenCV中的通道拆分函数，将RGB颜色空间中的图像分别拆分为R、G、B通道；步骤B02：将R、G、B通道的特征转化为YCbCr颜色空间中的特征；其中R、G、B为步骤B01中拆分后得到的通道特征，cuda()表示使用在GPU上进行矩阵的乘法运算以提高计算速度，Y、Cb、Cr表示由R、G、B通道转换而来的Y、Cb、Cr通道特征；步骤B03:对于步骤B02中得到的Y、Cb、Cr通道特征进行压缩处理，其中X＝[X
Y
,X
Cb
,X
Cr
],表示Y、Cb、Cr通道的特征，H和W分别表示各通道特征图的高度和宽度，Y＝[Y
Y
,Y
Cb
,Y
Cr
]为一维向量，表示Y、Cb、Cr通道经过计算得到的均值；步骤B04：对于步骤B03中得到的Y进行激活处理，得到浅层特征中各个通道的权重,W＝σ(FC(Relu(FC(Y))))其中σ表示sigmoid激活函数，FC表示全连接层，Relu表示Relu激活函数，W表示经过处理后得到的各通道权重；步骤B05：使用步骤B04中得到的权重W对步骤B0...

【专利技术属性】
技术研发人员：李泊宁，于春雨，李晓旭，张曦，
申请(专利权)人：应急管理部沈阳消防研究所，
类型：发明
国别省市：