[发明专利]基于深度学习的已有火焰环境中异常烟火识别监测方法

说明书

本发明公开了一种基于深度学习的已有火焰环境中异常烟火识别监测方法，首先获取不同类型的烟火视频数据集；进行机器学习训练获取烟火的目标检测模型YOLOv4模型；多目标跟踪待检测区域视频数据集中的正常烟火目标，获取所有正常烟火目标的标定框信息；然后将待检测区域视频数据集输入YOLOv4模型中，得到所有烟火目标的检测框信息；计算标定框与检测框信息的交并比I OU，根据I OU是否超过阈值确定检测框内是否为疑似异常烟火目标；对所有的疑似异常烟火目标进行预处理；最后建立双确认模型,判别疑似异常烟火目标中的真正异常烟火目标，并发出警报。本发明实现了在已有火焰的特殊工况场景的异常烟火智能化识别，是一种准确性高的烟火实时检测方法。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于深度学习的已有火焰环境中异常烟火识别监测方法。

背景技术

火灾严重威胁人民群众的生命财产安全，阻碍社会的稳定发展。火灾预警无论是对生产还是日常生活均具有重要价值。目前对于火灾的检测预防，大多采用的是基于传感器和人工选择特征的图像处理方法。第一种方法是比较成功的，也是目前火灾报警器使用的基本方法，但是当此种报警器置于室外大空间场所(如车站、商场、机场)中，甚至存在强气流的地方，其无法迅速采集火灾带来的温度、烟雾浓度等变化的信息，故不能及时的发出报警信号，同时其检测的距离也是有限的，传感器容易因外界环境的变化而发生老化或损坏，增加了漏报和误报现象的发生。第二种方法对人工选择特征具有较强的依赖性，而往往人工选择特征具有复杂性和盲目性的特点，从而导致烟雾识别的准确率会受到很大的影响。

在实际生产中，焊接生产线、烤包器等已有火焰的特殊工况场景，通常需要配置一定的检测人员和检测设备，对可能出现的灾害进行预防；由于检测点多、覆盖范围广、作业时间长，不仅增加了企业运营成本，也存在由于检测人员疲劳而导致的安全风险。基于传统火灾探测方法，检测范围有限且信息单一，检测速度存在较大的延迟，并且容易受到外界环境变化的干扰，难以适应复杂多变环境下的火灾实时探测要求。视频图像中包含直观的视觉信息，利用摄像机采集视频数据，通过数字图像处理和深度学习方法检测视频图像中的火焰进而实现无人值守的不间断工作，自动发现监控区域内的异常烟雾和火灾苗头，以最快、最佳的方式进行告警和协助消防人员处理火灾危机，并最大限度的降低误报和漏报现象；同时还可查看现场实时图像，根据直观的画面直接指挥调度救火。基于深度学习的火焰检测方法具有非接触式探测的特点，不受空间高度、热障、易爆、有毒等环境条件的限制，具有准确度高、响应时间短、成本低廉等优点，对于复杂场景下的火灾预警具有重大意义。

发明内容

为了解决现有技术存在的不足，本发明提供了一种基于深度学习的已有火焰环境下的异常烟火识别智能监测方法，实现了在已有火焰的特殊工况场景的异常烟火智能化识别，是一种准确性高的烟火实时检测方法。

为了实现上述目的，本发明的一个实施方式的一种基于深度学习的已有火焰环境中异常烟火识别监测方法，其包括以下步骤：

S1、获取多个不同类型的烟火视频数据集M；

S2、对烟火视频数据集M中的图像进行预处理，将视频图像由RGB颜色空间模型转换为YCbCr颜色空间模型；

S3、基于预处理后的数据集M进行机器学习训练，获取目标检测模型YOLOv4模型；

S4、采集待检测区域视频数据集N；

S5、对视频数据集N中正常烟火目标进行多目标跟踪，获取所有正常烟火目标的标定框信息；

S6、将视频数据集N输入YOLOv4模型中，得到所有烟火目标的检测框信息；

S7、计算所有标定框信息与检测框信息的交并比IOU，当IOU超过阈值时，确定检测框内为正常烟火目标，否则为疑似异常烟火目标；

S8、运用高斯混合背景模型提取视频图像背景中所有的疑似异常烟火目标，得到疑似异常烟火目标集S；