基于深度学习的室内烟雾和火灾检测方法技术

本发明专利技术提供了一种基于深度学习的室内烟雾和火灾检测方法。该方法包括：建立烟雾和火灾数据集，对烟雾和火灾数据集中的每张图像进行标注，选取标注后的一定数量的图像分别作为训练集和测试集；使用深度学习框架构建卷积深度网络模型，利用训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型；将待测的图像输入到训练好的卷积深度网络模型，训练好的卷积深度网络模型输出所述待测的图像的烟雾和火灾检测结果。本发明专利技术的方法利用摄像头获取的图像数据，通过卷积神经网络模型对图像数据中的烟雾、火灾进行实时预测，不仅极大地降低了人力成本，而且提高了烟雾、火灾的识别准确率。火灾的识别准确率。火灾的识别准确率。

【技术实现步骤摘要】
基于深度学习的室内烟雾和火灾检测方法


[0001]本专利技术涉及火灾检测
，尤其涉及一种基于深度学习的室内烟雾和火灾检测方法。

技术介绍

[0002]火灾是人类生产生活中最为常见的灾害之一，及时有效的对烟雾、火灾进行预警成为近年来研究的重点。随着摄像监控技术的成熟和普及，以及计算机视觉技术的快速发展，使得越来越多的人工智能应用在火灾检测中得以实现。
[0003]传统的检测装置都是依赖烟雾报警装置，通过检测火灾引起的烟雾达到预警的目的，这种方式预警延迟现象突出，尤其是一些大型厂房、仓库或者楼宇内。另外，传统传感器一般是通过洒水的方式来减小火情，这种方式不能第一时间发出预警信息，同时还有可能使得其他未着火的设备损坏，造成不必要的损失。
[0004]与传统的基于传感器的火灾探测技术相比，基于深度学习的烟雾、火灾检测方法有着响应速度快、信息直观、抗干扰性强等优势，能够避免烟雾传感器因传感器灵敏程度低导致的一些漏报与误报。目前，现有技术还没有一种有效的基于深度学习的火灾检测方法。

技术实现思路

[0005]本专利技术的实施例提供了一种基于深度学习的室内烟雾和火灾检测方法，以实现对室内火灾、烟雾进行有效的检测。
[0006]为了实现上述目的，本专利技术采取了如下技术方案。
[0007]一种基于深度学习的室内烟雾和火灾检测方法，包括：
[0008]建立烟雾和火灾数据集，对所述烟雾和火灾数据集中的每张图像进行标注，选取标注后的一定数量的图像分别作为训练集和测试集；
>[0009]使用深度学习框架构建卷积深度网络模型，利用所述训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型；
[0010]将待测的图像输入到所述训练好的卷积深度网络模型，所述训练好的卷积深度网络模型输出所述待测的图像的烟雾和火灾检测结果。
[0011]优选地，所述的建立烟雾和火灾数据集，对所述烟雾和火灾数据集中的每张图像进行标注，选取标注后的一定数量的图像分别作为训练集和测试集，包括：
[0012]通过摄像头采集楼宇内烟雾、火灾的视频数据，通过视频抽帧的方法按一定步长将所述视频数据转化为图像数据，利用开源软件labelimg对图像中的火灾、烟雾依次进行标注，得到标注好的图像数据，该标注好的图像数据包括：火灾、烟雾单独出现的图像数据；火灾和烟雾同时出现的图像数据；火灾、烟雾近景和目标远景的图像数据；不包含火灾、烟雾的图像数据；
[0013]将所述标注好的图像数据按照一定比例分为训练集和测试集，所述训练集和所述测试集中均包含有火灾、烟雾出现的正样本图像和没有火灾、烟雾出现的负样本图像。
[0014]优选地，所述的使用深度学习框架构建卷积深度网络模型，包括：
[0015]使用基于深度学习框架Keras构建卷积深度网络模型，该卷积深度网络模型是以YOLOv3为骨架的深度网络模型，采用Darknet-53结构，包括53个卷积层，23个残差块，5次下采样，卷积深度网络模型的输入图像的尺寸为32的倍数。
[0016]优选地，所述的利用所述训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型，包括：
[0017]将训练集中的图像数据缩放成32的倍数的尺寸大小，将缩放后的图像数据输入到卷积深度网络模型中，对卷积深度网络模型的网络权值参数进行初始化，分两阶段对卷积深度网络模型进行训练，在训练的第一阶段，进行模型训练预热，冻结除最后三层的所有层，只对最后三层进行权重训练，设置学习率初始值为0.001，批次样本数为16，训练迭代数为50；在训练的第二阶段，解冻模型的所有层进行训练，设置学习率初始值为0.0001，批次样本数为16，训练迭代数为350；
[0018]根据上述训练策略进行卷积深度网络模型的训练，直至卷积深度网络模型收敛，并保存训练好的卷积深度网络模型的网络权值参数。
[0019]优选地，所述的利用所述训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型，还包括：
[0020]将所述测试集中的图像数据作为训练好的卷积深度网络模型的输入，在不同的IoU和置信度下测试卷积深度网络模型的误检率、漏检率和每秒传输帧数FPS，获得卷积深度网络模型的最佳参数。
[0021]优选地，所述的将待测的图像输入到所述训练好的卷积深度网络模型，所述训练好的卷积深度网络模型输出所述待测的图像的烟雾和火灾检测结果，包括：
[0022]利用摄像头采集待测试场景中的视频数据，将视频数据转化为待测的图像数据，将待测的图像数据输入到训练好的卷积深度网络模型中，该训练好的卷积深度网络模型对待测的图像数据进行并行化处理，利用卷积深度网络模型的Darknet-53部分对输入的图像进行特征提取，提取出不同的降采样倍率的特征图，选择不同倍率的特征图进行对齐、拼接和卷积操作，选择13*13*255、26*26*255、52*52*255维的特征图作为输出检测器，通过输出检测器输出待测的图像数据的火灾和烟雾检测结果。
[0023]由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例提出的一种基于深度学习的室内烟雾、火灾检测方法，其利用摄像头获取的图像数据，通过卷积神经网络模型对图像数据中的烟雾、火灾进行实时预测，不仅极大地降低了人力成本，而且提高了烟雾、火灾的识别准确率，而且本方法具有较强的鲁棒性，具有较好的应用前景。
[0024]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术实施例提供的一种基于深度学习的室内烟雾和火灾的检测方法的实现原理示意图；
[0027]图2为本专利技术实施例提供的一种基于深度学习的室内烟雾和火灾的检测方法的处理流程图。
具体实施方式
[0028]下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0029]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的室内烟雾和火灾检测方法，其特征在于，包括：建立烟雾和火灾数据集，对所述烟雾和火灾数据集中的每张图像进行标注，选取标注后的一定数量的图像分别作为训练集和测试集；使用深度学习框架构建卷积深度网络模型，利用所述训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型；将待测的图像输入到所述训练好的卷积深度网络模型，所述训练好的卷积深度网络模型输出所述待测的图像的烟雾和火灾检测结果。2.根据权利要求1所述的方法，其特征在于，所述的建立烟雾和火灾数据集，对所述烟雾和火灾数据集中的每张图像进行标注，选取标注后的一定数量的图像分别作为训练集和测试集，包括：通过摄像头采集楼宇内烟雾、火灾的视频数据，通过视频抽帧的方法按一定步长将所述视频数据转化为图像数据，利用开源软件labelimg对图像中的火灾、烟雾依次进行标注，得到标注好的图像数据，该标注好的图像数据包括：火灾、烟雾单独出现的图像数据；火灾和烟雾同时出现的图像数据；火灾、烟雾近景和目标远景的图像数据；不包含火灾、烟雾的图像数据；将所述标注好的图像数据按照一定比例分为训练集和测试集，所述训练集和所述测试集中均包含有火灾、烟雾出现的正样本图像和没有火灾、烟雾出现的负样本图像。3.根据权利要求1所述的方法，其特征在于，所述的使用深度学习框架构建卷积深度网络模型，包括：使用基于深度学习框架Keras构建卷积深度网络模型，该卷积深度网络模型是以YOLOv3为骨架的深度网络模型，采用Darknet-53结构，包括53个卷积层，23个残差块，5次下采样，卷积深度网络模型的输入图像的尺寸为32的倍数。4.根据权利要求1所述的方法，其特征在于，所述的利用所述训练集和测试集对卷积深度网络模型进行训练和测试，得到训练好的卷积深度网络模型，包括：将训练集中...

【专利技术属性】
技术研发人员：郎丛妍，陈勇涛，李浥东，冯松鹤，王涛，金一，梁俪倩，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：