【技术实现步骤摘要】
本专利技术涉及火灾预警，具体涉及一种基于时序图像的火灾报警方法及装置。
技术介绍
1、传统烟雾报警器通过物理原理形成报警，如利用烟雾干扰带电粒子运动导致电流变化形成告警，或者利用烟雾颗粒使红外线散射，进而形成告警。在大型工厂车间使用传统传感器有一定的弊端，第一，车间面积较大，传感器安装位置不好选取，无法及时探测到小范围的火势。第二，车间正常生产可能会产生细微粉尘进入传感器容易产生误告警。第三，传感器长期安置老化，容易产生告警故障等问题，无法及时响应危险信号。
2、随着深度学习技术的发展，利用计算机图像识别等相关技术来检测烟雾成为现在火灾预警的主流方法。相比于物理器件有着更高的准确性和稳定性。基于深度学习的图像烟雾检测能够达到很高的精度，然而火灾的演变过程从小范围明火、烟雾阶段到大范围扩散形成火灾的时间非常短暂，仅依赖静态视频图像检测来实现火灾报警力度不足，当获取到检测结果产生告警时火灾可能已经形成扩散。
3、专利cn114936718a利用小样本训练数据实现了一种弱监控方式的停车场火灾高精度检测方法，专利cn109522819a通过暗通道图像以及深度学习的方法提高了单张图像中烟雾检测的正确率。上述方法都是通过图像识别来检测已经实际发生的烟雾或火灾，本专利技术在图像检测识别的基础上进一步学习了火灾演化过程，能够在火灾演化初期预测未来发展变化情况，达到提前告警的目的。
4、综上所述，传统的物理烟雾告警装置存在一定的缺陷，基于深度学习的图像烟雾检测存在时效性的问题。本专利技术结合图像识别与特征时间序
技术实现思路
1、为了克服上述的技术问题，本专利技术的目的在于提供一种基于时序图像的火灾报警方法及装置，以解决现有技术中，基于深度学习的图像烟雾检测仅依赖静态视频图像检测来实现火灾报警力度不足，当获取到检测结果产生告警时火灾可能已经形成扩散，导致了无法及时预警的问题。
2、本专利技术的目的可以通过以下技术方案实现：
3、具体是提供一种基于时序图像的火灾报警方法，包括以下步骤：
4、预先采集现有视频数据中的历史数据集合；
5、基于历史数据集合，训练出基于yolov3的图像识别模型，使得图像识别模型输出明火和烟雾图像数据；
6、基于图像识别模型输出的明火和烟雾图像数据，根据时间顺序提取明火与烟雾图像数据的特征序列；
7、基于特征序列，训练出时间序列预测模型，使得时间序列预测模型输出预测的明火与烟雾特征阈值；
8、从安装的监控装置中采集视频数据，基于图像识别模型识别视频数据中的明火和烟雾图像数据；
9、基于明火和烟雾图像数据，使用时间序列预测模型输出预测的明火与烟雾特征阈值；
10、基于明火与烟雾特征阈值与预设的阈值选择是否输出告警。
11、作为本专利技术进一步的方案：所述历史数据集合包括n组训练数据，n为正整数，每组训练数据包括特征数据和标签数据；
12、所述特征数据为现有的火灾视频中的视频数据；
13、所述标签数据为收集每组训练数据时，视频数据中的明火和烟雾图像数据。
14、作为本专利技术进一步的方案：所述图像识别模型的训练方式为：
15、将每组训练数据中的特征数据进行网格划分，找出目标所对应的边框中心点所在的网格，每个网格采集位置数据、置信度数据和分类数据。
16、作为本专利技术进一步的方案：所述置信度数据包括识别得分和覆盖iou乘积，通过损失函数计算边框误差和iou误差；
17、loss＝a×lossobj+b×lossrect+c×lossclc；
18、其中lossobj代表位置数据损失，lossrect代表置信度数据损失，lossclc代表分类数据损失，a、b和c为权重系数。
19、作为本专利技术进一步的方案：所述lossobj的计算方式为：
20、fl1(x1,x2)＝|x1-x2|；
21、lossobjl1＝fl1(xp,xl)+fl1(yp,yl)+fl1(wp,wl)+fl1(hp,hl)；
22、其中(xp,yp)代表网格的真实坐标，wp代表网格的真实宽度，hp代表网格的真实高度，(xl,yl)代表图像识别模型预测网络的坐标，wl代表图像识别模型预测网络的宽度，hl代表图像识别模型预测网络的高度。
23、作为本专利技术进一步的方案：所述lossrect采用bce损失函数计算：
24、lossrect＝-{mlog[p(score)+(1-m)log(1-p(score)]}；
25、其中m为二元标签，m的取值为0或1，score为图像识别模型预测网格的置信度，p(n)为图像识别模型输出该网格的置信度的概率。
26、作为本专利技术进一步的方案：所述图像识别模型采用的卷积神经网络模型先经过3层卷积，卷积核大小依次为7×7、5×5、3×3，3层卷积之后采用4中池化组合，最后经过两个全连接层输出目标区域特征。
27、作为本专利技术进一步的方案：所述目标区域特征的特征值标签的计算方式为：
28、
29、其中d和ed代表权重系数，st表示目标区域面积，s表示原始图像面积，score表示目标区域置信度。
30、作为本专利技术进一步的方案：所述时间序列预测模型根据子序列实际值对预测值进行评价，通过评价结果对参数进行矫正：
31、
32、其中，表示t时刻指数加权预测值，yt表示t时刻实际值，α表示平滑常数。
33、一种基于时序图像的火灾报警装置，该火灾报警装置基于上述的火灾报警方法实现，包括：
34、监控装置，设于前端，用于获取视频数据；
35、控制模块，装载于监控装置上，控制模块使用图像识别模型和时间序列预测模型处理监控装置采集的视频数据；
36、报警器，设于后端，控制模块根据明火与烟雾特征阈值与预设的阈值来控制报警器。
37、本专利技术的有益效果：
38、1、相比于传统的物理传感器报警装置，本专利技术利用计算机以及视频监控方式拥有更稳定，更精确的优势，相比于当前主流的图像烟雾或明火检测方法，本方法在图像检测的基础上利用了火灾演变的时序性特点，学习火灾演变规律，预测火灾变化情况，最终达到火灾预警的目的。
39、2、本专利技术中，本专利技术采用了不同领域模型结合的方法来实现烟雾和明火检测报警方法与装置，充分发挥不同模型在各自领域的优势，采用图像识别模型能够精准识别监控图像中烟雾和明火位置，cnn模型能够提取目标区域特征，时间序列模型能够根据历史特征来预测未来的发展变化，融合后可以解决实际复杂问题，相比于传统报警装置本专利技术能够在严重火灾发生前产生报警，降低损失。
40、3、本专利技术通过基于深本文档来自技高网...
【技术保护点】
1.一种基于时序图像的火灾报警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时序图像的火灾报警方法，其特征在于，所述历史数据集合包括N组训练数据，N为正整数，每组训练数据包括特征数据和标签数据；
3.根据权利要求2所述的一种基于时序图像的火灾报警方法，其特征在于，所述图像识别模型的训练方式为：
4.根据权利要求3所述的一种基于时序图像的火灾报警方法，其特征在于，所述置信度数据包括识别得分和覆盖IOU乘积，通过损失函数计算边框误差和IOU误差；
5.根据权利要求4所述的一种基于时序图像的火灾报警方法，其特征在于，所述lossobj的计算方式为：
6.根据权利要求4所述的一种基于时序图像的火灾报警方法，其特征在于，所述lossrect采用BCE损失函数计算：
7.根据权利要求6所述的一种基于时序图像的火灾报警方法，其特征在于，所述图像识别模型采用的卷积神经网络模型先经过3层卷积，卷积核大小依次为7×7、5×5、3×3，3层卷积之后采用4中池化组合，最后经过两个全连接层输出目标区域特征。
...【技术特征摘要】
1.一种基于时序图像的火灾报警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时序图像的火灾报警方法，其特征在于，所述历史数据集合包括n组训练数据，n为正整数，每组训练数据包括特征数据和标签数据；
3.根据权利要求2所述的一种基于时序图像的火灾报警方法，其特征在于，所述图像识别模型的训练方式为：
4.根据权利要求3所述的一种基于时序图像的火灾报警方法，其特征在于，所述置信度数据包括识别得分和覆盖iou乘积，通过损失函数计算边框误差和iou误差；
5.根据权利要求4所述的一种基于时序图像的火灾报警方法，其特征在于，所述lossobj的计算方式为：
6.根据权利要求4所述的一种基于时序图像的火灾报警方法，其特征在于，所述...
【专利技术属性】
技术研发人员：魏少华，潘晓东，李伟泽，赵学慧，罗熙，
申请(专利权)人：天翼云科技有限公司，
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。