[发明专利]一种基于BiHR-Net和YOLOv3-head的火焰检测方法及系统

说明书

本发明公开了一种基于BiHR‑Net和YOLOv3‑head的火焰检测方法及系统，首先，构建火焰检测模型，模型中主干网络使用两次下采样的方式获得输入图像小分辨率特征，降低检测模型的参数量；然后提出了一种特征提取与特征融合的方法BiHR‑Net，对输入的特征图进行两次卷积后的特征图，进行上采样和下采样生成两个子路线获取额外的特征，并对在BiHR‑Net的最后对三个尺度的特征进行融合，达到提高检测的效果的目的；将BiHR‑Net获得的特征，输入YOLO‑head网络中进行预测和回归；最后，使用数据集对火焰检测模型进行训练，获得用于火焰检测的检测器。本发明的火焰检测速度达到112帧/s，可对火焰进行快速检测并预警，且模型具有较好的鲁棒性。

技术领域

本发明属于图像处理及火灾预防技术领域，具体涉及一种基于BiHR-Net和YOLOv3-head的火焰检测方法及系统。

背景技术

火灾的发生会威胁人类的生命安全，如：2019年自9月以来，澳大利亚森林火灾燃烧面积达1120万公顷，伤亡人数34人，约30亿动物死亡或流离失所。 2020年3月30日，四川省凉山州西昌市经久乡发生森林火灾，造成19名消防战士牺牲。如何预防火灾或在出现火灾隐情时尽早发现，是我们一直要解决的问题。

近年火焰检测的方法主要分为：

1)基于火焰特征的检测方法，使用手工提取的火焰特征识别火焰。如：Wu 等人(2018)结合静态特征、动态特征提出了一种鲁棒的分类器检测烟雾；Xie等人(2020)提出了一种同时利用基于运动闪烁的动态特征和深层静态特征的视频火灾检测方法。

2)基于传统机器学习的检测的方法，更注重特征的提取，特征可解释性较强。如：Borges等人(2010)提取颜色、偏斜度、粗糙度、面积变化等火焰特征进行火焰检测，并使用贝叶斯分类器在火焰和非火焰图像之间进行分类；Ko等人 (2011)基于模糊有限自动机的火焰检测算法；Gunay等人(2012)提出了一种基于熵函数的在线自适应决策融合框架。

3)基于深度学习的检测的方法，通过自动学习特征(卷积特征)检测火焰，无需要设计指定特征，学习获得的特征只有计算机理解。如：Kim等人(2019)将连续帧中边界框内的汇总特征由Long Short-Term Memory(LSTM)可在短期时间序列中判断是否存在火并进行分类。然后，将大多数连续的短期决策合并在一起长期投票决定最终决定；Aslan等人(2020)提出一种基于视觉的深度卷积生成对抗性神经网络火焰检测方法；Zhang等人(2020)提出了一种有效的非对称编译码 U形结构ATT-Squeeze-Net来鉴别森林火灾；Dunnings等人(2018)提出了一种基于超像素分割的火焰检测方法。

基于深度学习的方法在泛化性上优于其他方法，但检测速度仍然有待进一步提高。针对如何构建一个具有更高精确度和更高效率的火焰检测模型的问题本专利提出一种轻量级的火焰检测火焰检测方法及系统。

发明内容

发明目的：针对现有技术存在的问题，本发明目的在于提供一种基于 BiHR-Net和YOLOv3-head的火焰检测方法及系统，既能实时检测火焰又能保持较好的准确率，并提供可视化效果。

技术方案：基于BiHR-Net和YOLOv3-head的火焰检测方法，具体包括以下步骤：

(1)构建火焰检测模型，并对其进行训练；所述火焰检测模型包括主干网络、特征提取与融合网络BiHR-Net以及预测识别网络YOLOv3-head；

(2)对预先获取的包含复杂环境的视频帧图像进行预处理和归一化，构建出数据集；并对火焰检测模型进行训练，获得用于火焰检测的模型M；

(3)使用模型M对火焰对象的边框与类别进行预测后，获得并保存火焰的位置信息；将保存的火焰目标位置在原视频图像上进行可视化；当视频帧中各火焰目标面积之和与原视频帧面积的比达到预定阈值后，发出火焰警报。