一种火灾烟雾检测方法技术

本发明专利技术涉及一种火灾烟雾检测方法

【技术实现步骤摘要】
一种火灾烟雾检测方法、终端设备及存储介质


[0001]本专利技术涉及环境监测领域，尤其涉及一种火灾烟雾检测方法
、
终端设备及存储介质
。

技术介绍

[0002]火灾和烟雾是造成人员伤亡和财产损失的主要原因之一
。
传统的火灾和烟雾检测方法通常依赖于传感器
、
烟雾探测器和温度监测装置等，但这些方法往往需要昂贵的设备和复杂的安装，且对于大面积
、
复杂环境中的火灾和烟雾检测效果有限，对远距离的火灾烟雾检测效果也有限
。
[0003]近年来，随着深度学习技术的快速发展，基于神经网络的图像识别和检测方法取得了重大突破
。
深度学习模型，如卷积神经网络（
CNN
）和循环神经网络（
RNN
），具有强大的图像特征提取和模式识别能力，能够有效地处理复杂图像中的信息
。
基于深度学习的烟火检测顺应而生，但由于有：烟雾火焰无固定特征轮廓；烟雾火焰形态实时发生变化；烟雾与云雾，火焰与灯光，相似度高，难区分；这些类似问题，检测难度较大且不稳定，误识别，召回率都较难控制，极易容易将灯光，尤其是流光，识别成火焰，将云雾识别成浓烟
。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种火灾烟雾检测方法
、
终端设备及存储介质
。
[0005]具体方案如下：一种火灾烟雾检测方法，包括：接收待检测的视频流，并针对视频流中的每一帧图像进行如下处理：
S1
：对图像中火焰目标或烟雾目标的局部特征进行检测；
S2
：结合该图像的相邻帧图像，判断检测到的各特征在相邻帧中是否处于静止状态，过滤掉在相邻帧中处于静止状态的特征；
S3
：结合该图像的相邻帧图像，对该图像中的各特征与其相邻帧图像中的对应特征进行特征融合，得到该图像中的各融合特征；
S4
：结合该图像的相邻帧图像，判断给图像的各融合特征的边界框是否处于运动状态，过滤到在相邻帧中处于运动状态的边界框对应的融合特征；
S5
：输出该图像中尺寸大于尺寸阈值的边界框对应的融合特征
。
[0006]进一步的，火焰目标的局部特征为焰苗或焰身；烟雾目标的局部特征为烟团
。
[0007]进一步的，步骤
S2
之前还包括：针对检测到的各特征，过滤掉置信度分数小于置信度分数阈值的特征
。
[0008]进一步的，步骤
S2
之前还包括：针对检测到的各特征，过滤掉边界框尺寸小于边界框尺寸阈值的特征
。
[0009]进一步的，特征融合的过程包括以下步骤：
S301
：将所有待融合特征中置信度分数最大的特征作为融合特征；
S302
：遍历其他所有待融合特征，计算各待融合特征与融合特征之间的距离，判断距离是否小于距离阈值，如果是，将该待融合特征与融合特征进行融合，更新融合特征，直到不存在距离小于距离阈值的待融合特征后，进入
S303
；
S303
：将所有距离大于或等于距离阈值的待融合特征中置信度分数最大的特征作为新的融合特征，返回
S302。
[0010]进一步的，在特征融合时，还包括计算各融合后的融合特征的增益率，在特征融合结束后，过滤掉增益率小于增益率阈值的融合特征
。
[0011]进一步的，融合特征的增益率
A
的计算公式为：其中，表示融合前的融合特征的置信度得分，表示融合前的待融合特征的置信度得分，表示两个特征的边界框扩大
1.5
倍后的交并比，
max(.)
表示求最大值
。
[0012]一种火灾烟雾检测终端设备，包括处理器
、
存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤
。
[0013]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤
。
[0014]本专利技术采用如上技术方案，使用火焰的局部特征，配合合理的单帧
/
多帧融合方式，使得检测召回能力高，对于燃烧变化的目标，检测足够稳定，且能充分利用火焰的连续特征
。
本专利技术合理运用两种运动过滤方案，分别过滤了无运动信息的静态误识别，以及移动的目标，能够提高检测结果的准确率
。
附图说明
[0015]图1所示为本专利技术实施例一的流程图
。
[0016]图2所示为该实施例中局部特征的检测结果示意图
。
[0017]图3所示为该实施例中特征融合后的结果示意图
。
具体实施方式
[0018]为进一步说明各实施例，本专利技术提供有附图
。
这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理
。
配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点
。
[0019]现结合附图和具体实施方式对本专利技术进一步说明
。
[0020]实施例一：本专利技术实施例提供了一种火灾烟雾检测方法，如图1所示，所述方法包括：接收待检测的视频流，并针对视频流中的每一帧图像进行如下处理：
S1
：对图像中火焰目标或烟雾目标的局部特征进行检测
。
[0021]S2
：结合该图像的相邻帧图像，判断检测到的各特征在相邻帧中是否处于静止状态，过滤掉在相邻帧中处于静止状态的特征
。
[0022]S3
：结合该图像的相邻帧图像，对该图像中的各特征与其相邻帧图像中的对应特征进行特征融合，得到该图像中的各融合特征
。
[0023]S4
：结合该图像的相邻帧图像，判断给图像的各融合特征的边界框是否处于运动状态，过滤到在相邻帧中处于运动状态的边界框对应的融合特征
。
[0024]S5
：输出该图像中尺寸大于尺寸阈值的边界框对应的融合特征
。
[0025]待检测的视频流可以为通过安装于监测区域的摄像头的摄像装置拍摄的视频流
。
[0026]本申请中设定火焰目标的局部特征可为焰苗或焰身，烟雾目标的局部特征为烟团
。
如图2所示，通过深度学习的方式对火焰的局部特征进行目标识别，而不是检测整个烟雾和火焰，利用了这些局部特征具有更统一的特点，更适合深度学习检测，能够提高检测的准确性
。
[0027]进一步的，还基于预设的置信度分数阈值和边界框尺寸阈值（边界框尺寸过小可能为打火机等人为制造的火焰）对检测到的各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种火灾烟雾检测方法，其特征在于，包括：接收待检测的视频流，并针对视频流中的每一帧图像进行如下处理：
S1
：对图像中火焰目标或烟雾目标的局部特征进行检测；
S2
：结合该图像的相邻帧图像，判断检测到的各特征在相邻帧中是否处于静止状态，过滤掉在相邻帧中处于静止状态的特征；
S3
：结合该图像的相邻帧图像，对该图像中的各特征与其相邻帧图像中的对应特征进行特征融合，得到该图像中的各融合特征；
S4
：结合该图像的相邻帧图像，判断给图像的各融合特征的边界框是否处于运动状态，过滤到在相邻帧中处于运动状态的边界框对应的融合特征；
S5
：输出该图像中尺寸大于尺寸阈值的边界框对应的融合特征
。2.
根据权利要求1所述的火灾烟雾检测方法，其特征在于：火焰目标的局部特征为焰苗或焰身；烟雾目标的局部特征为烟团
。3.
根据权利要求1所述的火灾烟雾检测方法，其特征在于：步骤
S2
之前还包括：针对检测到的各特征，过滤掉置信度分数小于置信度分数阈值的特征
。4.
根据权利要求1所述的火灾烟雾检测方法，其特征在于：步骤
S2
之前还包括：针对检测到的各特征，过滤掉边界框尺寸小于边界框尺寸阈值的特征
。5.
根据权利要求1所述的火灾烟雾检测方法，其特征在于：特征融合的过程包括以下步骤：
S301
：将所有待融合特征中置信度分数最大的特征作为融合特...

【专利技术属性】
技术研发人员：黄金虎，张芮铭，
申请(专利权)人：厦门星纵物联科技有限公司，
类型：发明
国别省市：