[发明专利]一种基于深度学习的火灾及烟雾实时检测方法在审
申请号: | 202110028029.0 | 申请日: | 2021-01-11 |
公开(公告)号: | CN112861635A | 公开(公告)日: | 2021-05-28 |
发明(设计)人: | 李晖晖;袁翔;刘航;郭雷 | 申请(专利权)人: | 西北工业大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 西北工业大学专利中心 61204 | 代理人: | 王鲜凯 |
地址: | 710072 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 火灾 烟雾 实时 检测 方法 | ||
本发明涉及一种基于深度学习的火灾及烟雾实时检测方法,利用网络爬取得到的多场景的火灾和烟雾图像,然后搭建特征提取网络,最后利用特征提取网络得到的单一尺度特征图进行上采样和拼接、跳跃连接等操作构造出多尺度特征图,最后进行检测后处理操作,完成对于火灾和烟雾的实时检测。本发明结合实时监控视频,对危险区域如易燃易爆物品存放车间等区域做到24小时不间断实时检测,并可将检测结果可作为辅助的报警信息及时通知相关人员,实现了危险环境下对于火灾和烟雾的实时检测,降低了以往需要人员常态化巡逻的经济成本和时间成本,将突发火灾带来的危害大大降低,对人类社会生产生活具有非常重要的意义。
技术领域
本发明属于计算机视觉目标检测领域,涉及一种基于深度学习的火灾及烟雾实时检测方法
背景技术
火灾是一种危及人们生活生产的突发灾害,因此如果能够及时监测到火灾则可以挽救人员生命和财产安全。目前使用率较高的是基于接触式传感器的火灾检测技术, 这种方法虽然能够很方便地对火灾和烟雾进行检测,但受限于其工作原理,即基于火 灾中温度变化或者利用火灾、烟雾的光学、电学等物理特性来进行火灾和烟雾检测, 所以这种监测方法必须是在火灾达到一定程度之后才能进行报警。无法对早期的火灾 和烟雾进行报警,因此基于传感器的火灾检测方式是不全面的。随着计算机视觉技术 的飞速发展以及监控镜头的广泛应用,近些年来,越来越多的研究工作着眼于运用计 算机视觉技术对图像或监控视频进行火灾和烟雾的自动检测和预警。
基于计算机视觉的火灾和烟雾检测技术可分为的主要过程是利用图像提取相关特 征,再将其送入到分类器中进行训练得到模型,在检测时由模型对图像中是否存在火灾和烟雾区域做出判断,因此最终检测模型的精度取决于图像特征的鲁棒性和分类器 的分类精度。目前常用的特征算子包括色彩特征和纹理特征,如颜色矩特征、LBP(LocalBinary Pattern,局部二值模式)特征以及HOG(Histogram of Oriented Gradient,方向梯度直方图)特征。这些特征尽管充分利用了图像中火灾和烟雾区域的颜色和纹理特征, 但在光照和局部阴影变化的情况下这些特征算子的鲁棒性较差,因此会影响到最终的 检测精度。用于分类器的机器学习算法包括SVM(Support Vector Machine,支持向量 机)和K-mean(K-均值)聚类算法等。基于传统视觉的火灾和烟雾检测算法虽然可以 实现对图像或视频中的火灾和烟雾区域做出检测,但其鲁棒性太差,而近年来由于GPU等计算设备的飞速发展和视频图像数据的日以增多,基于深度学习的计算机视觉 算法在图像分类、目标检测和分割等诸多视觉领域都取得了不俗的成绩。因此,近年 来有一些基于深度学习的检测算法在火灾和烟雾领域做出了尝试,虽然其检测性能优 于基于传统视觉的火灾烟雾检测算法,克服了前者在光照对比度等因素变化时鲁棒性 较差的问题。
利用计算机视觉技术进行火灾和烟雾检测的主要瓶颈有两方面:第一,在特征提取阶段,由于传统的特征算子是人为设计的,以HOG特征为例,由于其特征描述子 生成过程冗长,因此导致基于HOG特征的检测方法处理速度较慢,实时性较差。除 此而外,由于梯度本身的性质,HOG特征描述子对于噪点相当敏感,并且当光照等环 境因素发生变化时,HOG特征是不稳定的;第二,在训练分类器阶段,一个好的分类 器需要利用特征算子准确区分正样本(火灾和烟雾区域)和负样本(场景中易与火灾 和烟雾混淆的正常区域),为了完成这一任务,需要将正样本和负样本送入分类器进行 训练,因此负样本的选择至关重要,因此需要将环境中易与火灾和烟雾混淆的正常区 域都送入到分类器中作为负样本,这样便带来一个问题,如果场景中出现分类器从未 见过的容易与火灾和烟雾混淆的正常区域时,便极有可能做出误判,这样每次出现新 的负样本时,都需要重新将这些负样本送入分类器进行训练,进而导致分类模型变得 十分冗余和低效。这两点导致基于传统视觉的火灾和烟雾检测鲁棒性较差,不能完成 实际场景中对火灾和烟雾的可靠检测。尽管基于深度学习的火灾及烟雾检测方法可以 克服以上特征提取和分类阶段的缺点,但却由于训练数据量不足和深度神经网络本身 的固有特点导致过拟合与推理速度慢等问题,并且由于火灾和烟雾不同于其他目标具 有确定的形态,因此当前基于深度学习的目标检测算法对于火灾和烟雾的检测精度都 不理想。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北工业大学,未经西北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110028029.0/2.html,转载请声明来源钻瓜专利网。