[发明专利]一种深度神经网络的图像烟火检测方法及系统

说明书

本发明涉及图像处理技术领域，具体涉及一种深度神经网络的图像烟火检测方法及系统，方法包括：描出图像样本集中样本图像上烟火区域的边界点，并生成对应的掩膜图像，将掩膜图像与样本图像相乘得到仅包含烟火区域的区域图像；构建条件深度卷积生成对抗网络的烟火目标仿真框架，将区域图像送入条件深度卷积生成对抗网络中训练拟合产生新的烟火样本；获取森林火灾监控系统不包含烟火目标的初始图像并与S2中烟火样本融合，构建成训练数据集，系统包括摄像模块、图像集模块、图像操作模块、处理模块、神经网络搭建模块和数据操作模块。本发明在森林环境火灾监控初始时无需人工点火获取烟火样本，更方便，防止人工点火造成森林火灾的风险，节省成本。

技术领域

本发明涉及图像处理技术领域，具体涉及一种深度神经网络的图像烟火检测方法及系统。

背景技术

森林资源是一种非常重要的自然资源，每年因森林火灾造成的损失非常巨大，所以，森林火灾的预防非常重要。传统的森林火灾预防手段主要是基于人工巡视，这种方法具有时效性差、效率低下和成本高昂等缺点。为解决现有人工巡视手段预防森林火灾的问题，以计算机技术和光电传感器为基础的森林火灾预防的检测系统，能够对森林进行大范围、长时间、快速扫描监控火情，得到了大规模应用。随之而来，基于数字图像处理和数字视频处理的森林烟火自动检测定位技术，也得到了广泛应用，大大提高了森林烟火巡检预警效率和精度。

然而，传统的基于人工设计特征的数字图像处理技术，在处理森林巡检图像和视频时，面临着适应能力差、虚警率高等诸多问题，如对不同季节、不同光照的适应能力不好，难以区分云朵、雾气和烟火等。

基于适应性差的问题，深度神经网络技术以其强大的拟合能力，在图像处理中得到了广泛的应用。将深度神经网络应用于森林巡检视频图像中烟火检测，大大改善了检测精度，降低了虚警率。在训练时，深度神经网络需要大量的在不同场景下的烟火图像样本，提高深度神经网络的泛化能力。但是，大量的关于实际场景的烟火图像获取的难度很大，特别是对新部署的监控设备场景，通常依靠人工点火获取烟火样本，风险和成本极高。在部署时，常规深度神经网络需要的计算资源大，对运算能力要求高，通常需要GPU运算服务器，成本高昂，且难以集成到摄像机前端，实现端到端的低成本、实时、高效检测。

发明内容

本发明意在提供一种深度神经网络的图像烟火检测方法，以解决人工点火获取烟火样本风险和成本高的问题。

本方案中的深度神经网络的图像烟火检测方法，包括以下步骤：

步骤S1，获取多张具有烟火目标的样本图像，将包含了烟火目标的样本图像形成图像样本集，描出图像样本集中样本图像上烟火区域的边界点，并生成对应的掩膜图像，将掩膜图像与样本图像相乘得到仅包含烟火区域的区域图像；

步骤S2，构建条件深度卷积生成对抗网络的烟火目标仿真框架，将区域图像送入条件深度卷积生成对抗网络中训练，拟合产生新的烟火样本；

步骤S3，获取森林火灾监控系统不包含烟火目标的初始图像，将初始图像与S2中烟火样本融合，构建成训练数据集。

本方案的有益效果是：

通过采用已获得的含有烟火的样本图像形成图像样本集，即拍摄的实际环境中火灾的图像，从样本图像中描出烟火区域的边界点生成掩膜图像，将掩膜图像与样本图像相乘得到烟火区域的区域图像，再进行训练得到烟火样本，将烟火样本融合至未发生火灾的初始图像中得到训练数据集，初始图像即为待检测森林环境处未发送火灾时的图像，以训练数据集中的图像为烟火样本，无需再在需要监控火灾的森林环境处进行人工点火获取烟火样本，更方便，防止人工点火造成森林火灾的风险，节省成本。

进一步，所述步骤S2包括以下子步骤：

S2.1：采用反卷积神经网络构建生成对抗网络中的生成网络，输入为随机噪声，输出为仿真样本；