【技术实现步骤摘要】
本专利技术属于消防安全领域，特别是涉及改进的双重注意力网络的室内火灾及可燃物自动识别方法。
技术介绍
1、随着城市化进程的加快，越来越多的人在大型建筑中工作和生活。由于人口密集和结构复杂，这些大型建筑存在着许多火灾隐患。可燃材料如沙发、床单等在火灾中易剧烈燃烧，导致火灾迅速蔓延，难以控制，往往造成人员伤亡和重大经济损失。了解室内场景中的可燃物对于评估火灾风险、确定火灾发生后的火势发展和扩散速度以及制定建筑物的防火措施等都至关重要。因此，迫切需要准确评估和识别室内场景中的火灾实例和可燃物。然而，室内场景的复杂多变，加上缺乏标准化的数据集，给这项工作带来了技术挑战。
2、在火灾检测领域，主要分为传统方法和基于深度学习的方法。传统方法主要依赖图像处理算法，例如边缘检测、形态学处理和阈值分割等，通常需要手动选择和调整参数，并且对各种烟雾密度和颜色变化的适应性较差，导致高误报率和检测范围受限。相比之下，基于深度学习的检测方法则利用学习到的特征来识别和分割火灾和烟雾，具备更好的适应性和准确性，为火灾早期检测提供了新的研究途径。
3、在可燃物评估领域，传统方法如基于经验公式和历史数据的估算，存在诸多不足。一方面，对于复杂的火灾场景的可燃物评估，单纯依靠历史数据和经验知识可能难以进行全面准确的分析；另一方面，这些方法耗时耗力、缺乏灵活性和实时性，不能及时响应火灾的发展变化。除了传统方法之外，有许多研究聚焦于材料识别，即根据火灾场景中的物体的形状、颜色、纹理等特征，判断其所属的材料类别，但目前尚缺乏针对复杂室内火灾场景的研
4、双重注意力网络是一种用于图像分类和物体识别的深度神经网络结构，通过自注意机制捕获丰富的上下文关系来解决场景分割任务。
5、与专利cn113780188b“一种基于外业图片的地表火模型的可燃物自动识别方法”的技术对比
6、专利cn113780188b主要应用于室外场景，尤其针对森林火灾的防控。而本专利主要应用于室内场景。
7、专利cn113780188b中，自动识别对象只针对地表可燃物。而本专利则实现了火焰、烟雾、可燃物的同时检测。
8、专利cn113780188b中，使用多维感知残差网络搭载焦点损失函数作为可燃物分类模型。而本专利针对原始双重注意力模型中，部分可燃物评估指标不理想且火灾实例与可燃物的评估结果差异大的实际情况，对原始双重注意力模型进行了创新性的改进，替换了双重注意力模型原有的交叉熵损失函数为焦点损失函数，致力于解决数据集中火焰及烟雾实例与可燃物像素的不平衡问题，在火灾和可燃物同时识别中具有较大优势。
9、专利cn113780188b未提及测试增强。而本专利在自动识别前增加测试增强环节，提高模型的鲁棒性和适应不同场景的能力。
10、本专利技术基于改进后的双重注意力网络，设计了一整套室内火灾及可燃物的自动识别流程。
技术实现思路
1、为了解决上述问题，本专利技术公开了改进的双重注意力网络的室内火灾及可燃物自动识别方法，对于采集的图像，使用canny边缘检测增强边界特征，辅助创建分割标签，以建立用于训练的火灾—可燃物数据集；改进基于双重注意力网络的深度学习框架，替换原有的交叉熵损失函数为焦点损失函数，并进行训练；结合测试增强方法对输入图像进行翻转、缩放变换，并将输出综合分析，得到最终的分割结果，实现室内火灾及可燃物的自动识别。
2、为了达到上述目的，本专利技术的技术方案如下：
3、改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，所述方法包括以下步骤：
4、s1，图像采集：
5、采集不同室内场景中具有代表性、涵盖丰富多样的环境特征和火灾视觉属性的图像，作为预训练数据；
6、s2，图像预处理与构建火灾—可燃物数据集：
7、对于s1采集的图像，检查图像质量并对质量较差或损坏的图像进行筛除或修复，调整图像的大小和分辨率，确保数据集的一致性和有效性，对处理后的图像使用canny边缘检测算法，增强图像的边界特征，辅助创建分割标签，建立用于模型训练的火灾—可燃物数据集，数据集中的图像按照一定的比例划分为训练集、验证集和测试集；
8、s3，改进双重注意力网络并训练：
9、使用改进的双重注意力网络，对训练集进行深度学习，得到分割模型；
10、s4，测试增强：
11、使用测试增强的方法，对输入图像进行翻转、缩放变换，并将变换后的图像输入到分割模型中，得到相应分割结果，然后，对这些分割结果进行综合分析，得到最终的分割结果，实现室内火灾及可燃物的自动识别。
12、作为本专利技术进一步改进，所述步骤s3改进双重注意力网络并训练,具体步骤如下；
13、
14、s31，搭建原始双重注意力网络框架；
15、先使用resnet-101作为主干网络，提取图像的高层语义特征，并输出不同尺度的特征图，在主干网络的输出特征图上，添加两个并行的注意力模块，分别为位置注意力模块和通道注意力模块，两个注意力模块的输出特征图经过加权求和，得到最终的注意力特征图，在注意力特征图上，添加一个分割头，使用卷积层和上采样层，将特征图的尺寸恢复到与输入图像相同，得到分割结果，分割结果是一个二维矩阵，每个元素表示对应像素点的类别概率，即火灾或可燃物的概率；
16、s32，替换损失函数：
17、替换原有的交叉熵损失函数，使用焦点损失函数来优化分割结果，焦点损失函数通过降低易分类像素的权重，使模型更专注于难分类像素，提高分割的性能，焦点损失函数的定义如下：
18、lfl＝-αt(1-pt)γlog(pt)
19、其中，pt是模型预测的概率，αt是平衡因子，γ是调节因子，当γ>0时，焦点损失函数减少易分类样本的损失，增加难分类样本的损失，当αt<1时，焦点损失函数减少负样本的损失，增加正样本的损失；
20、s33，调整损失函数参数和训练参数，确定最优模型：损失函数参数包括平衡因子αt和调节因子γ，影响焦点损失函数对不同像素的权重分配，训练参数包括学习率、批次大小、优化器和训练轮数，影响模型的收敛速度和稳定性，最终确定最优的训练模型。
21、作为本专利技术进一步改进，步骤s33中使用网格搜索、随机搜索和贝叶斯优化方法调用训练参数。
22、作为本专利技术进一步改进，所述s4测试增强，具体步骤如下：
23、s41，图像变换：
24、s4中所述图像变换，对于输入图像，使用以下几种变换方法，来增加图像的多样性和复杂性，提高模型的泛化能力：
25、翻转变换：对图像进行水平或垂直的翻转；
26、缩放变换：对图像进行放大或缩小；
27、旋转变换：对图像进行一定角度的旋转；
28、对于每种变换方法，使用本文档来自技高网...
【技术保护点】
1.改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，所述步骤S3改进双重注意力网络并训练,具体步骤如下；
3.根据权利要求1所述的改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，步骤S33中使用网格搜索、随机搜索和贝叶斯优化方法调用训练参数。
4.根据权利要求1所述的改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，所述S4测试增强，具体步骤如下：
【技术特征摘要】
1.改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的改进的双重注意力网络的室内火灾及可燃物自动识别方法，其特征在于，所述步骤s3改进双重注意力网络并训练,具体步骤如下；
3.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。