[发明专利]一种火灾检测的模型及方法

说明书

本发明涉及一种火灾检测的模型及方法，该火灾检测的模型基于深度学习的通用目标检测框架改进，其改进之处为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、替换损失函数为Focal Loss。本发明火灾检测的模型经过学习训练后对待检测图像进行处理分析后能够快速、准确的判断出待检测图片是否具有火焰，即是否为真实的火灾图片，从而为判断是否出现火灾提供判断依据。

技术领域

本发明涉及人工智能中的计算机视觉领域，具体地指一种能够通过人工智能对图像中火焰的识别从而实现火灾检测的模型及方法。

背景技术

古往今来，火灾一直是生命财产安全和自然环境安全的一项重大威胁。火灾发生初期，有效地检测火灾发生情况，对相关人员及时救火抢险，消灭威胁，减小损失有着积极的意义。

目前广泛运用于火灾检测的是火灾感应器。火灾感应器通过内置的热量、烟雾感应器等来判断火情的发生，从而进行报警。然而，火灾检测器在实际运用中具有一定的局限性。由于火灾检测器是接触性检测的性质，检测器必须要等火灾发生了一定时间后，产生了大量火光烟雾后才能识别为发生了火灾，且无法清楚地感知到火灾的大小、详细位置及火灾发生过程，对后续的火灾发生情况调查没有任何帮助。随着视频监控的增多，街道、楼道、屋内、仓库等地都已经覆盖在监控中，我们可以通过视频图像检测火灾的发生及发展情况并以最快、最佳的方式告警及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。

近年来，已有不少学者研究数字图像处理的方法来检测监控视频中的火情，他们通过火焰的红色以及其不规则的运动形状来检测，但是这种方案极易受到环境风及光线的影响，对环境的适应性较差；也有通过改进通用目标检测网络YOLOv3来进行火灾检测的学者，他们利用深度学习优秀的目标检测性能，通过数据训练来提升算法对环境的适应性，但通用目标检测网络对火焰这种不规则的目标检测效果一般，其改进方法中，只是针对网络模型本身进行改进，并没有结合火焰特性，且YOLO框架以速度著称，其精度也很难满足实际应用需求。

发明内容

本发明目的在于克服现有技术的不足而提供一种火灾检测的模型及方法，该火灾检测的模型经过学习训练后对待检测的图像进行处理分析后能够快速、准确的判断出待检测图片是否具有火焰，从而为判断是否出现火灾提供判断依据。

实现本发明目的采用的技术方案是：一种火灾检测的模型，该模型是基于深度学习的通用目标检测框架改进，其改进之处在于：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。

在上述技术方案中，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的像素点的像素值设为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。