一种面向轻量化部署的建筑物火灾识别方法及系统技术方案

本发明专利技术应用于火灾检测技术领域，公开了一种面向轻量化部署的建筑物火灾识别方法及系统，方法包括：利用改进神经网络模型对待测建筑物的环境图像进行火灾检测，得到火灾检测信息；根据待测建筑物的环境信息和火灾检测信息生成火灾检测结果；模型包括主干网络、中间网络和预测模块，主干网络对环境图像进行特征提取以得到待测特征图和第二特征图，中间网络对待测特征图进行特征增强，根据增强的待测特征图和第二特征图生成目标候选区域；预测模块根据目标候选区域输出火灾检测信息。本发明专利技术实现了轻量化部署，降低了检测成本，提高了模型对小目标物体检测的敏感度，能够在遮挡和重叠目标的复杂场景下实现火灾检测，提高火灾检测精度和效率。

【技术实现步骤摘要】

本专利技术涉及火灾检测，特别涉及一种面向轻量化部署的建筑物火灾识别方法及系统。

技术介绍

1、发生在建筑物中的火灾不仅严重威胁着人类的生命安全，还给社会带来了巨大的财产损失。因此，对建筑物进行早期的火灾预测和预警对于建筑物的火灾防范具有极其重要的意义。传统的火灾检测技术通常通过环境物理量结合火焰的物理特征数据或图像处理技术来实现火灾的预测和预警。随着深度学习与神经网络技术的快速发展，神经网络模型融合于火灾检测技术当中，实现智能化火灾检测和预警。相关技术存在如下问题：

2、其一，这些新提出的智能火灾检测方案大多适用于企业、工业或如深林放火等专业场景的高端需求，而在面对普通家庭、小型民用和商用等普通的火灾检测需求场景时，现有的火灾检测方案存在成本高、安装使用较为繁琐、技术过时或者智能程度偏低等问题，其并不适用于普通的火灾检测需求场景。

3、其二，这些智能火灾检测方案通常采用如mrcnn、faster r-cnn等基于区域建议的目标检测算法或者如yolo系列、ssd等基于回归的目标检测算法来实现火灾的智能检测。然而，虽然现有的目标检测算法本文档来自技高网...

【技术保护点】

1.一种面向轻量化部署的建筑物火灾识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种面向轻量化部署的建筑物火灾识别方法，其特征在于，所述主干网络依次设置有三个顺次连接的特征提取模块和下采样层，经所述输入层修改像素尺寸后的环境图像作为第一个特征提取模块的输入；对于第二个特征提取模块和第三个特征提取模块，上一个特征提取模块的输出作为下一个特征提取模块的输入；第三个特征提取模块的输出作为下采样层的输入；其中，每个特征提取模块均用于基于分组卷积和通道混洗的方式对输入至特征提取模块的数据进行特征提取，生成对应的特征图；所述下采样层用于对第三个特征提取模块的输出进行下采样...

【技术特征摘要】

1.一种面向轻量化部署的建筑物火灾识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种面向轻量化部署的建筑物火灾识别方法，其特征在于，所述主干网络依次设置有三个顺次连接的特征提取模块和下采样层，经所述输入层修改像素尺寸后的环境图像作为第一个特征提取模块的输入；对于第二个特征提取模块和第三个特征提取模块，上一个特征提取模块的输出作为下一个特征提取模块的输入；第三个特征提取模块的输出作为下采样层的输入；其中，每个特征提取模块均用于基于分组卷积和通道混洗的方式对输入至特征提取模块的数据进行特征提取，生成对应的特征图；所述下采样层用于对第三个特征提取模块的输出进行下采样操作，生成待测特征图。

3.根据权利要求2所述的一种面向轻量化部署的建筑物火灾识别方法，其特征在于，所述特征提取模块包括顺次连接的通道分组层、分组卷积结构、卷积拼接层、通道混洗层和降维卷积层，所述分组卷积结构由三个子卷积层并接构成，所述通道分组层用于将输入至所述特征提取模块的数据沿着通道维度切分为三组子数据，三组子数据与三个子卷积层一一对应，三组子数据分别输入至对应的子卷积层中，每个子卷积层用于根据其填充像素对输入的子数据进行卷积操作，生成对应的子特征图；所述卷积拼接层用于对三个子卷积层输出的子特征图进行通道拼接；所述通道混洗层用于对拼接后的三个子特征图进行通道混洗和重组；所述降维卷积层用于对所述通道混洗层的输出进行通道降维，生成与所述特征提取模块对应的特征图；

4.根据权利要求3所述的一种面向轻量化部署的建筑物火灾识别方法，其特征在于，所述降维卷积层的后面依次设置有relu激活函数和池化层，所述池化层为基于最大池化方式的池化层，所述与所述特征提取模块对应的特征图经relu激活函数和所述池化层输出。

5.根据权利要求2所...

【专利技术属性】
技术研发人员：谢卫徐，廖伟东，徐锦滔，罗嘉瑞，林祥麒，陈栩聪，蔡泽民，
申请(专利权)人：汕头市澄海区建筑设计院，
类型：发明
国别省市：