[发明专利]一种基于MSRCR和YOLOv4-Tiny算法的火焰快速检测方法

说明书

本发明公开了一种基于MSRCR和YOLOv4‑Tiny算法的火焰快速检测方法，包括步骤：通过摄像头获取需检测目标区域的监控视频图像，并将该监控视频图像传输给服务器中的火焰检测模块；火焰检测模块首先对监控视频图像进行抽帧处理，获取监控视频中每一帧的图像；利用MSRCR算法对获取的每一帧图像进行增强处理；将经过MSRCR算法处理过的图像调整到大小为608*608的目标图像，并生成608*608*3的图像矩阵，然后将归一化后的图像矩阵输入到训练好的YOLOv4‑Tiny算法模型中；获取YOLOv4‑Tiny算法模型预测结果，包括识别的火焰数量和火焰区域大小，并在经过MSRCR算法处理过的图像上绘制出火焰目标框，得到预测结果图像。本发明用于解决现有工业环境采集图像不清晰导致火焰检测结果准确率低和提升火焰识别速度的问题。

技术领域

本发明涉及计算机领域和图像识别领域，具体涉及一种基于MSRCR和YOLOv4-Tiny算法的快速检测和识别火焰方法。

背景技术

在威胁社会公众安全的灾害中，火灾是最常见的灾害之一，火灾具有不确定性、复杂性、快速性等特征，其发生易造成严重的经济损失和人员伤亡。随着科技的发展，火灾预警系统中智能检测、智能监控技术被广泛应用。火灾报警系统的关键是火焰检测和识别。

当前，国内外研究人员在火灾检测技术上进行大量研究，取得一些突破，现有的火灾检测技术大致可以分为两大类，一是基于红外、烟感等传感器进行火灾检测。在室内火灾检测中这类技术简单有效，但在较大的室外空间，例如钢厂的生产车间、原料库等大型场所，由于温度、烟雾等信息不易采集，传感器因工业生产环境造成老化，漏报和误报率较高。二是基于人工选择特征模型的视频图像火灾检测。此方法对人工选择特征具有较大依赖，由于人工选择特征具有主观性和盲目性，泛化能力较差，会影响到火灾检测的准确率。

当前深度学习和计算机视觉技术广泛应用于图像分割和图像识别领域，深度学习中的卷积神经网络在图像分类和图像目标识别方面取得较好的效果，因而许多卷积神经网络算法被应用在视频图像的火焰检测中。但是，由于工业生产现场的环境影响，许多监控摄像头表面时间久后会产生灰尘、油污等，导致监控视频图像不清晰，通过此视频图像不易识别出火焰目标，同时由于火灾预警需要实时性，因此在视频图像中检测火焰目标需要很高的检测效率。

发明内容

本发明要解决的技术问题是提供一种基于MSRCR和YOLOv4-Tiny算法的火焰快速检测方法，旨在解决现有工业环境采集图像不清晰导致火焰检测结果准确率低和提升火焰识别速度的技术问题。

为解决上述技术问题，本发明的内容包括：

一种基于MSRCR和YOLOv4-Tiny算法的火焰快速检测方法，包括如下步骤：

步骤S1：通过摄像头获取需检测目标区域的监控视频图像，并将该监控视频图像传输给服务器中的火焰检测模块；

步骤S2：火焰检测模块首先对监控视频图像进行抽帧处理，获取监控视频中每一帧的图像；

步骤S3：利用MSRCR算法对获取的每一帧图像进行增强处理；

步骤S4：将经过MSRCR算法处理过的图像调整到大小为608*608的目标图像，并生成608*608*3的图像矩阵，然后将归一化后的图像矩阵输入到训练好的YOLOv4-Tiny算法模型中；

步骤S5：获取YOLOv4-Tiny算法模型预测结果，包括识别的火焰数量和火焰区域大小，并在经过MSRCR算法处理过的图像上绘制出火焰目标框，得到预测结果图像；

步骤S6：将每一帧的预测结果图像以视频流形式在显示器上展示，实时监控目标区域是否有火焰产生。

进一步的，所述步骤S3中，利用MSRCR算法对获取的每一帧图像进行增强处理，包括色彩增强、局部动态范围压缩、全局动态范围压缩以及增强图像中的边缘信息。

进一步的，所述步骤S4中，YOLOv4-Tiny算法模型的训练过程包括以下步骤：