【技术实现步骤摘要】
本专利技术涉及火灾检测，具体涉及一种基于卷积神经网络融合空洞卷积的火灾检测方法。
技术介绍
1、火灾是一种常见的灾害，它往往造成巨大的人员伤亡和财产损失。因此，火灾检测技术的研究和发展一直是人们关注的焦点之一。火灾检测的研究背景可以追溯到早期的火灾报警系统，这些系统主要基于感烟器、感温器等传感器设备，通过检测烟雾和温度的变化来判断是否发生了火灾。然而，传统的火灾检测技术存在一些局限性。首先，传感器设备有时会受到环境干扰或故障而导致误报或漏报的情况。其次，对于复杂环境中的火灾，传统的火灾检测技术可能无法及时准确地发现火灾迹象。为了解决这些问题，研究者们开始探索基于人工智能和机器学习的火灾检测技术。
2、近年来，基于人工智能的火灾检测技术得到了广泛关注和应用。这种技术主要基于计算机视觉和图像处理技术，通过分析火灾图像或视频数据中的特征信息来实现火灾的自动检测和识别。例如，可以利用深度学习算法来训练火灾图像分类模型，实现对火灾图像的自动识别。
3、但是上述火灾检测方法存在误报率高、小火焰检测不及时、不易在火灾发生初期对火灾进行检测。为此，提出一种基于卷积神经网络融合空洞卷积的火灾检测方法。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有火灾检测方法存在误报率高、小火焰检测不及时、不易在火灾发生初期对火灾进行检测的问题，提供了一种基于卷积神经网络融合空洞卷积的火灾检测方法，本方法能够降低误报率，同时能够检测小目标火焰烟雾。
2、本专利技
3、s1：对获取的图像进行预处理；
4、s2：构建基于空洞卷积的特征提取网络，作为卷积神经网络的特征提取网络；
5、s3：利用基于空洞卷积的特征提取网络对预处理的图像进行特征提取；
6、s4：融合特征提取网络中不同层的特征，得到特征图；
7、s5：基于特征图进行火灾检测识别工作。
8、更进一步地，在所述步骤s1中，预处理过程如下：
9、s11：使用标注工具对获取的火灾烟雾图像进行数据标注；
10、s12：将标注后的图像处理成设定尺寸。
11、更进一步地，在所述步骤s2中，基于空洞卷积的特征提取网络的具体过程如下：
12、s21：通过1个conv block和2个identity block构成layer1层，其中，conv block采用跳跃连接的方式连接不同layer层；
13、s22：通过1个conv block和3个identity block构成layer2层；
14、s23：在layer2层和layer3层依次加入cam通道注意力机制模块以及sam注意力机制模块，根据全局上下文信息和通道相关性，自适应的调整特征图的权重；
15、s24：通过1个conv block、5个identity block、一个空洞卷积层构成layer3层；
16、s25：通过1个conv block、2个identity block、一个空洞卷积层构成layer4层。
17、更进一步地，在所述步骤s23中，cam通道注意力机制模块以及sam注意力机制模块的整体处理过程描述如下：
18、
19、
20、其中，表示逐元素乘法；f″是最终输出，f∈rc×h×w作为输入，mc∈rc×1×1表示cam推断出的1d通道注意力图，ms∈r1×h×w表示sam推断出的2d空间注意力图。
21、更进一步地，在所述步骤s23中，cam通道注意力机制表示如下：
22、
23、其中，mlp表示多层感知权重；avepool表示平均池化操作；maxpool表示最大池化操作，σ表示sigmoid函数，w0∈rc/r×c和w1∈rc×c/r是mlp共享权重。
24、更进一步地，在所述步骤s23中，sam空间注意力机制表示如下：
25、
26、其中，σ表示sigmoid函数；f7×7表示7×7的卷积运算，f∈rc×h×w作为输入特征，avepool表示平均池化操作；maxpool表示最大池化操作，表示对输入特征进行平均池化操作，表示对输入特征进行最大池化操作。
27、更进一步地，在所述步骤s24、s25中，空洞卷积层用于扩大卷积核的感受野，同时在空洞卷积层中能够增加图像的分辨率，卷积核的感受野计算公式如下：
28、k＝k+(k-1)(r-1)
29、其中，k为原始卷积核大小，r为空洞卷积的空洞率。
30、更进一步地，在所述步骤s4中，特征融合的具体过程如下：
31、s41：提取各个layer层获取的特征；
32、s42：将各个layer层的特征在通道维上进行concat操作；
33、s43：经过concat操作得到特征图。
34、更进一步地，在所述步骤s42中，concat操作公式如下：
35、
36、其中，zconcat表示经过concat操作后的通道维，xi表示x特征的通道，yi表示y特征的通道，ki是第i个输入数据的维度大小。
37、更进一步地，在所述步骤s5中，基于特征图进行火灾检测识别工作的具体过程如下：
38、s51：在特征图上生成先验框；
39、s52：对先验框进行分类和回归；
40、s53：输出最终的先验框进行火灾位置的识别。
41、本专利技术相比现有技术具有以下优点：该基于卷积神经网络融合空洞卷积的火灾检测方法，通过卷积神经网络结合通道注意力机制，根据全局上下文信息和通道相关性，自适应地调整特征图的权重，抑制不重要的特征，有效降低火灾的误报率；在卷积神经网络中融合了空洞卷积层，增加网络深层的分辨率，提高了小目标火焰烟雾的检测率；融合了不同层的特征，使最终获取的特征获得上下文信息的同时，又获得更多的全局信息，能够降低火灾的漏检率。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S1中，预处理过程如下：
3.根据权利要求1所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S2中，基于空洞卷积的特征提取网络的具体过程如下：
4.根据权利要求3所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S23中，CAM通道注意力机制模块以及SAM注意力机制模块的整体处理过程描述如下：
5.根据权利要求3所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S23中，CAM通道注意力机制表示如下：
6.根据权利要求3所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S23中，SAM空间注意力机制表示如下：
7.根据权利要求6所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S24、S25中，空洞卷积层用于
8.根据权利要求7所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S4中，特征融合的具体过程如下：
9.根据权利要求8所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S42中，concat操作公式如下：
10.根据权利要求8所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤S5中，基于特征图进行火灾检测识别工作的具体过程如下：
...【技术特征摘要】
1.一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤s1中，预处理过程如下：
3.根据权利要求1所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤s2中，基于空洞卷积的特征提取网络的具体过程如下：
4.根据权利要求3所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤s23中，cam通道注意力机制模块以及sam注意力机制模块的整体处理过程描述如下：
5.根据权利要求3所述的一种基于卷积神经网络融合空洞卷积的火灾检测方法，其特征在于，在所述步骤s23中，cam通道注意力机制表示如下：
6.根据权利要求3所述的一种基于卷积神经网络融...
【专利技术属性】
技术研发人员：方贤进，姜雪凤，杨洋，曾繁茂，徐留权，郭婷，姜若楠，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：
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。