火灾的识别方法技术

本申请提供一种火灾的识别方法

【技术实现步骤摘要】
火灾的识别方法、装置及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种火灾的识别方法
、
装置及存储介质
。

技术介绍

[0002]火灾一直以来都是公共安全和财产安全的重大威胁，甚至会危及人们的生命
。
随着互联网技术的迅速发展，火灾识别技术也在不断取得进步，以帮助人们更快的发现火灾
。
[0003]在目前比较先进的技术中，机器学习模型通过对实时画面的监测来进行火灾的识别，相较于传统的识别方法，机器学习模型具备更强大的识别能力，能够更加准确地判断火灾的发生，从而减少误报的可能性
。
[0004]然而，机器学习模型在应用中也存在一些挑战
。
在现有的机器学习模型中，需要基于多张图像或其他大量数据才能完成火灾的识别，识别时长较长，识别效率较低，可能无法及时的识别火灾的发生
。
因此，如何提高对火灾的识别效率，是亟待解决的问题
。

技术实现思路

[0005]本申请提供一种火灾的识别方法
、
装置及存储介质，用于提高火灾的识别效率
。
[0006]第一方面，提供一种火灾的识别方法，包括：获取待识别图像；将待识别图像输入至卷积神经网络
(convolutional neural network
，
CNN)
模型，输出特征图集合；将特征图集合输入至协调注意力
(coordinate attention
，r/>CA)
模型，输出特征图集合对应的注意力特征数据；将注意力特征数据集合输入至全连接层和软最大
(Softmax)
层，输出火灾识别结果，火灾识别结果用于指示待识别图像对应的位置区域是否发生火灾
。
[0007]本申请提供的技术方案至少带来以下有益效果：在获取到待识别图像后，通过使用卷积神经网络
CNN
模型快速提取待识别图像中的特征数据，以提高处理待识别图像的速度，进而提高火灾的识别效率，并以特征图集合的形式输出，进一步通过协调注意力
CA
模型加强待识别图像中的特征数据，保障了火灾识别的准确率，并以注意力特征数据的形式输出，最终全连接层和软最大
Softmax
层根据注意力特征数据判断待识别图像对应的位置区域是否发生火灾，能够在保障火灾识别的准确度的基础上，提高火灾的识别效率，以使得及时识别火灾的发生
。
[0008]作为一种可能的实现方式，卷积神经网络
CNN
模型包括依次连接的第一特征处理层
、
第二特征处理层
、
第三特征处理层以及第四特征处理层；第一特征处理层包括第一卷积层
、
第一池化层
、
第一激活
ReLU
函数以及第一随机失活
Dropout
层；第一卷积层包括
16
个卷积核，第一卷积层中的卷积核的大小均为3×3，第一池化层包括1个卷积核，第一池化层中的卷积核的大小为2×2；第二特征处理层包括第二卷积层
、
第二池化层
、
第二激活
ReLU
函数以及第二随机失活
Dropout
层；第二卷积层包括
32
个卷积核，第二卷积层中的卷积核的大小均为3×3，第二池化层包括1个卷积核，第二池化层中的卷积核的大小为2×2；第三特征处理层包括第三卷积层
、
第三池化层
、
第三激活
ReLU
函数以及第三随机失活
Dropout
层；第三卷积层包括
32
个卷积核，第三卷积层中的卷积核的大小均为3×3，第三池化层包括1个卷积
核，第三池化层中的卷积核的大小为2×2；第四特征处理层包括第四卷积层和第四激活
ReLU
函数；第四卷积层包括
128
个卷积核，第四卷积层中的卷积核的大小均为6×
6。
[0009]作为一种可能的实现方式，
CA
模型包括通道注意力模块和空间注意力模块；通道注意力模块用于对特征图集合进行通道注意力处理；空间注意力模块用于对特征图集合进行空间注意力处理
。
[0010]作为一种可能的实现方式，上述获取待识别图像，包括：采集待编码视频；对待编码视频进行编码处理，以获取初始图像；对初始图像进行预处理，以获取待识别图像，预处理包括图像增强处理
、
平滑滤波处理以及图像锐化处理
。
[0011]作为一种可能的实现方式，上述方法还包括：在火灾识别结果指示待识别图像对应的位置区域发生火灾的情况下，发出告警信息，告警信息用于指示对待识别图像对应的位置区域进行维护
。
[0012]第二方面，提供一种火灾的识别装置，包括：获取模块，用于获取待识别图像；处理模块，用于将待识别图像输入至卷积神经网络
CNN
模型，输出特征图集合；处理模块，还用于将特征图集合输入至协调注意力
CA
模型，输出特征图集合对应的注意力特征数据；处理模块，还用于将注意力特征数据集合输入至全连接层和软最大
Softmax
层，输出火灾识别结果，火灾识别结果用于指示待识别图像对应的位置区域是否发生火灾
。
[0013]作为一种可能的实现方式，卷积神经网络
CNN
模型包括依次连接的第一特征处理层
、
第二特征处理层
、
第三特征处理层以及第四特征处理层；第一特征处理层包括第一卷积层
、
第一池化层
、
第一激活
ReLU
函数以及第一随机失活
Dropout
层；第一卷积层包括
16
个卷积核，第一卷积层中的卷积核的大小均为3×3，第一池化层包括1个卷积核，第一池化层中的卷积核的大小为2×2；第二特征处理层包括第二卷积层
、
第二池化层
、
第二激活
ReLU
函数以及第二随机失活
Dropout
层；第二卷积层包括
32
个卷积核，第二卷积层中的卷积核的大小均为3×3，第二池化层包括1个卷积核，第二池化层中的卷积核的大小为2×2；第三特征处理层包括第三卷积层
、
第三池化层
、
第三激活
ReLU
函数以及第三随机失活
Dropout
层；第三卷积层包括
32
个卷积核，第三卷积层中的卷积核的大小均为3×3，第三池化层包括1个卷积核，第三池化层中的卷积核的大小为2×2；第四特征处理层包括第四卷积层和第四激活
ReLU
函数；第四卷积层包括
128
个卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种火灾的识别方法，其特征在于，所述方法包括：获取待识别图像；将所述待识别图像输入至卷积神经网络
CNN
模型，输出特征图集合；将所述特征图集合输入至协调注意力
CA
模型，输出所述特征图集合对应的注意力特征数据；将所述注意力特征数据集合输入至全连接层和软最大
Softmax
层，输出火灾识别结果，所述火灾识别结果用于指示所述待识别图像对应的位置区域是否发生火灾
。2.
根据权利要求1所述的方法，其特征在于，所述卷积神经网络
CNN
模型包括依次连接的第一特征处理层
、
第二特征处理层
、
第三特征处理层以及第四特征处理层；所述第一特征处理层包括第一卷积层
、
第一池化层
、
第一激活
ReLU
函数以及第一随机失活
Dropout
层；所述第一卷积层包括
16
个卷积核，所述第一卷积层中的卷积核的大小均为3×3，所述第一池化层包括1个卷积核，所述第一池化层中的卷积核的大小为2×2；所述第二特征处理层包括第二卷积层
、
第二池化层
、
第二激活
ReLU
函数以及第二随机失活
Dropout
层；所述第二卷积层包括
32
个卷积核，所述第二卷积层中的卷积核的大小均为3×3，所述第二池化层包括1个卷积核，所述第二池化层中的卷积核的大小为2×2；所述第三特征处理层包括第三卷积层
、
第三池化层
、
第三激活
ReLU
函数以及第三随机失活
Dropout
层；所述第三卷积层包括
32
个卷积核，所述第三卷积层中的卷积核的大小均为3×3，所述第三池化层包括1个卷积核，所述第三池化层中的卷积核的大小为2×2；所述第四特征处理层包括第四卷积层和第四激活
ReLU
函数；所述第四卷积层包括
128
个卷积核，所述第四卷积层中的卷积核的大小均为6×
6。3.
根据权利要求1所述的方法，其特征在于，所述
CA
模型包括通道注意力模块和空间注意力模块；所述通道注意力模块用于对所述特征图集合进行通道注意力处理；所述空间注意力模块用于对所述特征图集合进行空间注意力处理
。4.
根据权利要求1所述的方法，其特征在于，所述获取待识别图像，包括：采集待编码视频；对所述待编码视频进行编码处理，以获取初始图像；对所述初始图像进行预处理，以获取所述待识别图像，所述预处理包括图像增强处理
、
平滑滤波处理以及图像锐化处理
。5.
根据权利要求1‑4任一项所述的方法，其特征在于，所述方法还包括：在所述火灾识别结果指示所述待识别图像对应的位置区域发生火灾的情况下，发出告警信息，所述告警信息用于指示对所述待识别图像对应的位置区域进行维护
。6.
一种火灾的识别装置，其特征在于，所述装置包括：获取模块，用于获取待识别图像；处理模块，用于将所述待识别图像输入至卷积神经网络
CNN
模型，输出特征图集合；处理模块，还用于将...

【专利技术属性】
技术研发人员：刘欣惠，窦瑞华，姜丁，马亮，燕永标，孟楠，王元杰，王立本，
申请(专利权)人：联通山东产业互联网有限公司，
类型：发明
国别省市：