[发明专利]多尺度火灾目标识别方法及系统

说明书

本发明提供了一种多尺度火灾目标识别方法及系统，包括如下步骤：获取训练集，所述训练集通过对火灾图像进行标注生成；根据所述训练集进行聚类，生成多个先验框；构建目标检测模型，并至少根据所述先验框对所述目标检测模型的参数进行设置，所述目标检测模型通过对YOLOv4算法中的CSPDarknet53主干特征提取网络用MobileNet网络进行替换生成；通过所述训练集对目标检测模型进行训练生成火灾检测模型；通过火灾检测模型对输入的视频或图像进行火灾检测，判断是否发送火灾。本发明中火灾检测模型的参数量大大得到简化，能够满足嵌入式设备和实时性的要求，对于视频火灾目标的检测，拥有更快的识别速度。

技术领域

本发明涉及人工智能图像处理领域，具体地，涉及一种多尺度火灾目标识别方法及系统。

背景技术

火在我们人类发展的长河中，起着举足轻重的作用，不仅燃尽了茹毛饮血的历史，也点燃了现代社会的辉煌。但火是双刃剑，既可以带来温暖光明，也会导致痛苦分离。随着社会的不断进步，城市规模的扩大和人口密度的增加，火灾已成为最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。近年来，我国发生了很多火灾事件。据国家消防局发布的2019年全国火灾情况：全年共接报火灾23.3万起，亡1335人，伤837人，直接财产损失36.12亿元。根据上述数据分析发现，火灾主要集中在人员密集场所、仓储物流及高大建筑物内，造成了极大的人员和经济损失，社会影响也越来越大。因此在火灾发生早期，能够发现火灾并及预警，可以极大程度上减少人身财产安全损失，提升人民生活安全感和幸福感。

目前市面上最成熟的火灾探测仍然以感温型、感烟型、感光型等传统的探测技术为主，虽然在一定程度上起到了很好的预警作用，但仍受限于传感器探测的有效距离及环境的复杂性等因素，在火灾发生早期有时难以及时发现并预警。随着人工智能相关技术和理论的迅猛发展，结合模式识别、机器学习等技术，火灾的目标检测也由机器学习取代了传统的概率模型，实现了火灾的多特征融合。近年来，随着深度学习的发展，火灾的特征提取也不再依靠人工进行选择。同时，目标检测领域出现了很多优秀的算法，像SSD(SingleShot MultiBox Detector)、YOLOv4等被相继提出，提升了目标检测的速度。

目前目标检测算法主要分为two-stage和one-stage两种。Two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域(region proposals)，然后对候选区域分类，一般还需要对位置精修。而one-stage算法其主要思路是利用CNN(Convolutional NeuralNetworks)提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和不同长宽比的先验框，物体的分类与预测框的回归同时进行，整个过程只需要一步，所以其优势是速度很快。One-stage算法以YOLO(You Look Only Once)系列为代表，尤其是在2020年，Alexey Bochkovskiy等人利用YOLOv4算法论证了目标检测的最佳速度和准确性。YOLOv4目标检测算法使用了Mosaic数据增强、PANet(Path Aggregation Network)结构等来增强数据和特征提取过程。最后利用Yolo Head(You Look Only Once Head)将提取到的不同大小特征层的目标特征进行预测，实现了目标的多尺度识别。然而，在火灾的实际应用中，由于YOLOv4的参数量较大，仍不便于在嵌入式等设备上应用。

针对上述问题，同时为满足火灾实时检测的需求，急需新的方法，能够实现尽可能不降低火灾目标检测的识别准确率同时降低YOLOv4模型的参数量，保证更快的检测速度和更便捷的应用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种多尺度火灾目标识别方法及系统。本发明在兼顾现有YOLOv4算法的基础上，有效降低其参数量，保证更快的检测速度和更便捷的应用。

根据本发明提供的多尺度火灾目标识别方法，包括如下步骤：

步骤S1：获取训练集，所述训练集通过对火灾图像进行标注生成；