【技术实现步骤摘要】
一种基于疑似烟雾提议区域及深度学习的烟雾检测方法
[0001]本专利技术涉及烟雾检测的
,更具体地,涉及一种基于疑似烟雾提议区域及深度学习的烟雾检测方法。
技术介绍
[0002]火灾会对人类的生命财产安全产生极大的威胁,尽早发现火情并及时处理,对于保护生命和财产安全有着重要的意义,因此,烟雾和火灾检测是目前工业界研究的热点之一。
[0003]目前,烟雾检测的方法主要分为基于物理和基于计算机视觉的方法,基于物理的方法指的是通过烟雾传感器进行烟雾报警,其优点是准确和及时,缺点在于受用面积小,只能应用在室内的狭窄空间,对于山火防控来说则需要部署极为密集的设备,成本高且对生态环境不友好。基于计算机视觉的烟雾检测方法主要分为传统方法和深度学习方法,其中,传统方法主要基于人为观察的先验知识,对烟雾进行手工特征的提取,这些特征主要分为颜色、纹理、运动和能量,传统方法后续跟随一个判别器,此种方法表现出的优点是计算量小,分类器训练不需要非常庞大的数据和计算量,缺点在于即便结合了多种特征使用,对特征的判别准确性也不高。
[0004]基于深度学习的方法则是将烟雾检测看作单目标检测的问题,利用烟雾图像及其标注数据对神经网络模型进行训练,需要对数以千计的锚点anchors进行逐一卷积,非常耗费计算资源;而网络模型训练完全依赖于数据,在小样本情况下无法做到模型拟合。当前,将传统方法与深度学习的方法进行结合的方式也比较流行,如2019年11月5日,中国专利技术专利(公布号:CN110415260A)中公开了一种基于字典与BP ...
【技术保护点】
【技术特征摘要】
1.一种基于疑似烟雾提议区域及深度学习的烟雾检测方法,其特征在于,所述方法包括以下步骤:S1.收集待检测的RGB图片样本;S2.构建深度学习神经网络模型,所述深度学习神经网络模型包括依次连接的特征提取层backbone、动态嵌入层DEN、ROI Pooling层及检测头部分head;S3.将步骤S1的RGB图片样本进行灰度处理,然后进行灰度相关性疑似烟雾提议区域取样,得到n1个疑似烟雾提议区域;S4.将步骤S1的RGB图片样本转换为HSV通道图片样本,进行烟雾正样本扩充,然后进行疑似烟雾提议区域取样,得到n2个疑似烟雾提议区域;S5.设置烟雾提议区域个数阈值τ,判断n1+n2﹥τ是否成立,若是,执行步骤S6;否则,扩充含烟雾正样本数量,然后进行疑似烟雾提议区域取样,得到扩充的疑似烟雾提议区域,执行步骤S6;S6.对所有疑似烟雾提议区域进行筛选,基于筛选出的疑似烟雾提议区域的生成包围框bbox并计算包围框bbox的值,将包围框bbox的值作为动态嵌入层DEN的空间嵌入向量输入;S7.将步骤S1的RGB图片样本进行数据增强操作,数据增强后的RGB图片样本输入至特征提取层backbone,结合S6中输入动态嵌入层DEN的空间嵌入向量,训练深度学习神经网络模型;S8.将训练好的深度学习神经网络模型用于烟雾检测。2.根据权利要求1所述的基于疑似烟雾提议区域及深度学习的烟雾检测方法,其特征在于,步骤S2所述的特征提取层backbone采用的是yolov5的backbone部分,最终得到3种尺度的ROI特征向量,具体包括依次连接的Focus模块、第一CBL模块、CSP_1模块、第二CBL模块、第一CSP_3模块、第三CBL模块、第二CSP_3模块、第四CBL模块、SPP模块、第三CSP_3模块及第五CBL模块;第五CBL模块的尾端连接动态嵌入层DEN,第三CBL模块、第四CBL模块及第五CBL模块通过上采样放大分辨率,第三CBL模块、第四CBL模块及第五CBL模块中的后一个模块与前一个模块进行级联Concat特征融合,得到ROI特征向量,并输入至动态嵌入层DEN;包围框bbox的值作为空间嵌入向量输入动态嵌入层DEN,动态嵌入层DEN的尾端连接ROI Pooling层,ROI Pooling层将ROI特征向量池化;所述检测头部分head包括依次连接的第一CSP_0模块、第二CSP_0模块及卷积模块,输出池化后的ROI特征向量对应的预测值。3.根据权利要求1所述的基于疑似烟雾提议区域及深度学习的烟雾检测方法,其特征在于,步骤S3所述进行灰度相关性疑似烟雾提议区域取样的过程为:S31.对RGB图片样本进行灰度处理后,得到灰度图像,将灰度图像做多次阈值分割,得到若干个阈值分割图像,然后对阈值分割图像做形态学腐蚀和膨胀处理,消除碎片区域,得到不同灰度级图像;S32.采用分水岭算法对每个灰度级图像进行处理,得到不同的连通区域,作为疑似烟雾提议区域。4.根据权利要求3所述的基于疑似烟雾提议区域及深度学习的烟雾检测方法,其特征在于,步骤S4所述进行烟雾正样本扩充,然后进行疑似烟雾提议区域取样的过程为:S41.RGB图片样本转换为HSV通道图片样本后,分离H通道和S通道,得到H通道图像和S
通道图像,将H通道图像和S通道图像进行像素反转,得到HR图像和SR图像;S42.将H通道图像分别与S通道图像、SR通道图像之间做逐像素比特与运算,然后做形态学腐蚀和膨胀处理,消除碎片区域,得到HS图像、HSR图像;将HR通道图像分别与S通道图像、SR通道图像之间做逐像素比特与运算,然后做形态学腐蚀和膨胀处理,消除碎片区域,得到HRS图像、HRSR图像;S43.对HS图像、HSR图像、HRS图像、HRSR图像进行自适应阈值分割,计算自适应阈值分割后的图像中所有非零像素的四连通分量,从而提取连通域,作为疑似烟雾提议区域。5.根据权利要求1所述的基于疑似烟雾提议区域及深度学习的烟雾检测方法,其特征在于,步骤S5中扩充含烟雾正样本数量的方法为暗通道先验法,利用暗通道先验法得到暗通道图像,表达式为:其中,J
dark
表示暗通道图像,J
channel
表示RGB通道中的一个,Ω(x)表示像素x的领域;将J
dark
进行自适应阈值分割,然后提取四连通分量,进行疑似烟雾提议区域取样,得到扩充的疑似烟雾提议区域。6.根据权利要求1所述的基于疑似烟雾提议区域及深度学习的烟雾检测方法,其特征在于,步...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。