[发明专利]火焰检测方法、火焰检测模型训练方法、存储介质及系统

权利要求书

1.一种火焰检测方法，其特征在于：该方法包括以下步骤：

步骤S1：获取包含火焰的图像；

步骤S2：提供第一卷积神经网络，并将获取的图像输入所述第一卷积神经网络中以提取第一特征，并结合第一特征计算热力图；

步骤S3：根据热力图计算获得火焰区域热力掩模图，并基于火焰区域热力掩模图获得疑似火焰区域；

步骤S4：提供一第二卷积神经网络，并从疑似火焰区域中提取第二特征；及

步骤S5：将第一特征与第二特征进行连接，获得总输出特征，并基于总输出特征预测是否存在火焰、火焰占整张图的比例及火焰旺度。

2.如权利要求1所述的火焰检测方法，其特征在于：步骤S2提供第一卷积神经网络，并将获取的图像输入所述第一卷积神经网络中以提取第一特征，并结合第一特征计算热力图，进一步包括以下步骤：

步骤S21：通过所述第一卷积神经网络中至少两个卷积层提取图像中的第一特征；

步骤S22：结合所述第一卷积神经网络中不同的通道对第一特征进行分类；

步骤S23：通过Grad-CAM的方法对第一特征进行导向的反向梯度计算；及

步骤S24：计算第一特征的加权之和获得热力图；

其中，第一特征包括火焰特征和背景特征，所述不同的通道对所述火焰特征和所述背景特征进行分类。

3.如权利要求2所述的火焰检测方法，其特征在于：步骤S23通过Grad-CAM的方法对第一特征进行导向的反向梯度计算的计算公式为：

其中，为加权权重，C为第一特征的类别，K为通道，Z为第一特征的像素个数，y^c是对应类别c的分数，A为第一特征，表示第k个第一特征中(i,j)位置处的像素值；

步骤S24计算第一特征的加权和获得热力图的计算公式为：

其中，为热力图，ReLU为线性整流函数，为加权权重，C为第一特征的类别，K为通道，A为第一特征。

4.如权利要求1所述的火焰检测方法，其特征在于：步骤S3根据热力图计算获得火焰区域热力掩模图，并基于火焰区域热力掩模图获得疑似火焰区域，进一步包括以下步骤：

步骤S31：在热力图中将像素值大于设定值的区域设置为1，小于设定值的区域设定为0，以获得火焰区域热力掩模图；及

步骤S32：提取火焰区域热力掩模图中像素值为1的区域，获得疑似火焰区域。

5.如权利要求1所述的火焰检测方法，其特征在于：步骤S4提供一第二卷积神经网络，并从疑似火焰区域中提取第二特征之前，对疑似火焰区域进行预处理，以增强疑似火焰区域的图像数据。

6.如权利要求1所述的火焰检测方法，其特征在于：骤S1获取包含火焰的图像之后，对图像进行预处理，以增强图像数据。

7.一种存储介质，其特征在于：所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-6中任一项中所述的火焰检测方法。

8.一种火焰检测模型训练方法，其特征在于：该方法包括以下步骤：

步骤S1：获取包含火焰的图像；

步骤S2：提供第一卷积神经网络，并将获取的图像输入所述第一卷积神经网络中以提取第一特征，并结合第一特征计算热力图；

步骤S3：根据热力图计算获得火焰区域热力掩模图，并基于火焰区域热力掩模图获得疑似火焰区域；

步骤S4：提供一第二卷积神经网络，并从疑似火焰区域中提取第二特征；

步骤S5：将第一特征与第二特征进行连接，获得总输出特征，并输出加权损失函数；及

步骤S6：利用加权损失函数训练所述卷积神经网络，以获得火焰检测模型。