[发明专利]一种火灾检测的模型及方法

权利要求书

1.一种火灾检测方法，其特征在于，包括：

S1、将火灾检测模型经过训练得到训练完成的火灾检测模型；所述火灾检测模型基于深度学习的通用目标检测框架改进，在所述通用目标检测框架的原图输入基础上添加火焰颜色信息图输入分支、以及替换损失函数为Focal Loss；

S2、将待检测图片作为原图输入以及将所述待检测图片的火焰颜色信息图作为另一分支输入，经过所述训练完成的火灾检测模型推理之后，判断出所述待检测的图片是否有火焰，如果有火焰则输出火焰坐标位置，从而判断出现火灾及火灾位置及火焰大小情况；如果无火焰则未出现火灾；

所述火焰颜色信息图按照以下公式组生成，

R(x,y)＞R_mean

R(x,y)＞G(x,y)＞B(x,y)

0.25≤G(x,y)/(R(x,y)+1)≤0.65

0.05≤B(x,y)/(R(x,y)+1)≤0.45

0.20≤B(x,y)/(G(x,y)+1)≤0.60

其中，R(x,y)表示图片中坐标为(x,y)处的红色分量像素值；R_mean表示整个图片像素值红色分量的均值；K代表整个图片的像素值个数；G(x,y)表示图片中坐标为(x,y)处的绿色分量像素值；B(x,y)表示图片中坐标为(x,y)处的蓝色分量像素值；

该公式组通过采集待检测图片中火焰区域和无火焰区域多处像素点的像素值，整理采集到的数据，找到有、无火焰区域像素值的临界值，将同时满足上述公式组的像素点的像素值设为由RGB转为的灰度值，否则为0；所得的灰度图即为火焰颜色信息图；

所述火焰颜色信息图包括Backbone模块，所述Backbone模块的主体层包括5个子模块，子模块由常规卷积层与深度可分离卷积结构组成，原图输入分支第1子模块由两个通道数为32的常规卷积层组成，第2子模块由两个通道数为64的bottleneck组成，第3子模块由三个通道数为128的bottleneck组成，第4和第5子模块都是由两个通道数为256的bottleneck和一个通道数为256的常规卷积层组成；颜色信息图分支的结构和原图输入分支相同，通道数相对应减少一半。

2.根据权利要求1所述的火灾检测方法，其特征在于所述步骤S1包括：

S1.1、收集真实的火灾图片m张作为待训练图片，以及n张易错负样本；

S1.2、搭建Backbone模块，使用ImageNet数据集预训练Backbone模块；

S1.3、修改RefineDet网络结构，使用步骤S1.2中预训练的Backbone替换原有模块，使用Focal Loss替换默认损失函数；

S1.4、修改训练策略，使得每次训练的Batch中具有负样本，且整个Batch的图片一起计算正负样本Anchor，其他参数及流程使用RefineDet算法中的方案；

S1.5、将步骤S1.1得到的待训练图片和负样本图片按照上述公式组分别得到待训练图片和负样本图片的火焰颜色信息图；

S1.6、将所述待训练图片和负样本的原图作为原图输入分支，以及待训练图片和负样本图片的火焰颜色信息图作为另一输入分支一起输入到火灾检测模型中进行训练，从而得到训练完成的模型。