[发明专利]一种基于深度学习的火灾检测方法

说明书

一种基于深度学习的火灾检测方法，属于图像处理技术中的火灾检测领域，包括以下步骤：接收输入的图像；构建跳跃连接卷积神经网络，利用跳跃连接卷积神经网络中的可形变卷积及池化操作对输入图像进行火灾特征提取，并利用跳跃连接对低层级特征与高层级特征进行融合；使用不同尺寸的滑动窗口对火灾特征映射图进行特征向量提取，进行火灾候选框的预测；对每一个火灾候选框进行区域可形变池化；将深度特征输入到全连接层进行火灾的分类预测与定位。本发明将浅层特征与高层特征相融合，并利用具有几何形变能力的卷积神经网络，从而有效地解决了对于背景与火灾相类似场景以及火势蔓延变大前期的小火苗检测的误检率高以及准确率低的问题。

技术领域

本发明属于图像处理技术中的火灾检测领域，尤其涉及一种基于深度学习的火灾检测方法。

背景技术

深度学习近年来的发展突飞猛进，使越来越多的人工智能应用得以实现，其以卷积神经网络为核心，卷积神将网络(CNNs)已经被大量的用于计算机视觉任务，如目标分类、目标分割以及目标检测等。故近来许多学者和研究者也将深度学习应用于火灾检测领域，其中有用传统的卷积神经网络结构AlexNet，VGGNet，GoogleNet及ResNet等模型进行火灾图像分类，以及R-CNN,Fast R-CNN,Faster R-CNN，YOLO,SSD等模型进行火灾图像的定位检测。

尽管以上深度学习模型都在一定基础上提高了火焰检测准确率，但是由于深度学习需要大量的数据集，其所用的数据集通常都是谷歌和百度上搜索的大火灾图片，所以对于一些特定场景下，如背景与火焰相近，以及火灾蔓延变大前的小火苗等的检测的准确率还是很低，故针对这些问题，提出将低层特征与高层特征使用跳跃连接的方式进行特征融合，并根据火灾发生过程中火焰形状不断变化的特性使用可形变卷积进行特征提取，有效地提高了火焰检测的准确率并且大大地降低了误识率，并且对于不同场景的火焰以及小火焰等都有较好的检测效果。

发明内容

本发明提出一种基于深度学习的火灾检测方法，使用可形变卷积以及池化等操作提取火灾特征，并利用跳跃式连接方式将低层特征与高层特征进行融合，有效地提高了火灾检测方法的可靠性和适用性，而且对于不同场景的火灾和不同火势(火焰的大小)的火灾都有较好的检测效果。

本发明采用的技术方案如下：

本发明提出了一种基于深度学习的火灾检测方法，包括以下步骤：

步骤1：接收输入的图像，所述图像中可能包括待检测的火灾信息；

步骤2：构建跳跃连接卷积神经网络，所述跳跃连接卷积神经网络中包括可形变卷积结构；

步骤3：利用跳跃连接卷积神经网络中的可形变卷积及池化等操作对输入图像进行火灾特征提取，并利用跳跃连接对低层级特征与高层级特征进行融合，得到火灾特征映射图；

步骤4：使用多种尺寸的滑动窗口对步骤3中的火灾特征映射图进行特征向量提取，进行火灾候选框的预测；

步骤5：对步骤4中的每一个火灾候选框进行区域可形变池化(ROI可形变池化)，得到相同维度的深度特征；

步骤6：将步骤5中的深度特征输入到全连接层进行火灾的分类预测与定位。

进一步地，所述步骤3中利用跳跃连接卷积神经网络中的可形变卷积及池化等操作对输入图像进行火灾特征提取，其中的可形变卷积结构的输出定义如下：

其中，卷积核的大小是3×3，感受野R定义为R＝{(-1,-1),(-1,0),…,(0,1),(1,1)}，p₀是感受野区域R中的元素，w表示每个采样点p的值与卷积核对应位置的权值，x是输入特征图，Δp_n是在标准卷积的基础上增加的偏移量，n是感受野区域中的元素个数。且由于偏移量Δp_n通常是一个非常小的数，为得到该点的值采用双线性插值的方法，插值公式如下：