【技术实现步骤摘要】
本专利技术属于视觉大模型的火焰检测，特别涉及一种基于视觉大模型的火焰检测方法。
技术介绍
1、传统火灾检测系统主要依赖于烟雾或火焰探测器，这些系统在一定程度上可以检测火灾，但它们在应对复杂背景下的小规模火灾时，准确性存在较大挑战。早期的火灾检测方法主要基于简单的图像处理和机器学习技术，例如利用颜色信息、形状变化、光流分析等方法来评估火源的扩展和方位。虽然这些方法在某些场景下能够提高火灾检测的效率和精确度，但这些技术通常需要专业人员参与特征设计和筛选，这种人为干预不仅耗时，还影响到检测的最终效果。传统方法依赖单一像素作为感知单元，导致检测精度和分割效果有限。
2、近年来，深度学习技术的快速发展为精准火灾定位和检测提供了新思路。基于卷积神经网络（cnn）的目标检测方法通过增加网络深度获取火源目标的详细特征，避免了完全依赖专家经验造成的误差。这些方法通过增强网络的感受野和关注火源的显著区域，提高了火源特征的表达能力。然而，卷积网络固有的感受野局限性使得它难以全面捕获火源的细节信息，特别是在检测火源小范围变化时。相比于传统的深度学习...
【技术保护点】
1.一种基于视觉大模型的火焰检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：S1的子步骤为：
3.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：S2的子步骤为：
4.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：S3的子步骤为：
5.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：S4的子步骤为：
6.根据权利要求5所述的一种基于视觉大模型的火焰检测方法，其特征在于：联合损失函数公式：
...【技术特征摘要】
1.一种基于视觉大模型的火焰检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：s1的子步骤为：
3.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：s2的子步骤为：
4.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：s3的子步骤为：
5.根据权利要求1所述的一种基于视觉大模型的火焰检测方法，其特征在于：s4的子步骤为：
6...
【专利技术属性】
技术研发人员：员文斌，刘绍新，张家治，刘书明，赵举，李长锋，吕晓勇，雷凤玲，
申请(专利权)人：中国长江电力股份有限公司，
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。