一种隧道内火灾发生检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种隧道内火灾发生检测方法、装置、设备及存储介质，涉及计算机视觉技术领域。所述方法是在获取由隧道内摄像头采集的现场图像后，先对所述现场图像进行预处理，得到RGB图像，然后将所述RGB图像输入已完成预训练的且包括有特征提取网络、边缘检测模块、卷积模块、池化模块和输出模块的火灾目标检测模型，输出得到火灾目标检测结果，并通过所述特征提取网络、所述边缘检测模块、所述卷积模块、所述池化模块和所述输出模块的功能组合，将为向量特征矩阵形式的边界框特征与边缘特征结合利用起来，最后基于两特征结合结果开展后续的火灾发生分类，进而可实现提升特征重用率和火灾目标检测结果准确性的目的，便于实际应用和推广。和推广。和推广。

【技术实现步骤摘要】
一种隧道内火灾发生检测方法、装置、设备及存储介质


[0001]本专利技术属于计算机视觉
，具体涉及一种隧道内火灾发生检测方法、装置、设备及存储介质。

技术介绍

[0002]在诸如公路隧道和地铁隧道等交通隧道发生的安全事故中，火灾是危害最大的一类。隧道一旦发生火灾，扑救十分困难，而且易造成严重的经济损失和人员伤亡。为了预防交通隧道内发生火灾事故，人们提出了多种早期火灾发生检测技术。随着视频监控的大量普及,基于视频采集图像的火灾发生自动检测与预警方案具有十分重要的研究意义和使用价值，已经引起了人们的高度重视。
[0003]目前，针对传统的且基于计算机视觉的传统火焰检测方法，在面对不同复杂环境和多变火焰类型时,因其泛化能力不足而导致存在火灾视频检测不准确的问题。现有专利CN202111509268.4提供了一种基于YOLO神经网络的隧道火灾检测方案，但是其采用的YOLO神经网络在特征提取方面存在特征重用率不高的缺陷，使得整个方案在复杂隧道环境中的火灾发生检测结果仍然存在准确性有限的问题，有待进一步提升。

技术实现思路

[0004]本专利技术的目的是提供一种隧道内火灾发生检测方法、装置、计算机设备及计算机可读存储介质，用以解决现有隧道火灾检测方案在复杂隧道环境中的火灾发生检测结果仍然存在准确性有限的问题。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]第一方面，提供了一种隧道内火灾发生检测方法，包括：
[0007]获取由隧道内摄像头采集的现场图像；
[0008]对所述现场图像进行预处理，得到维度为的RGB图像，其中，W
×
W表示所述RGB图像的分辨率，W表示不小于160的正整数，表示所述RGB图像的通道数；
[0009]将所述RGB图像输入已完成预训练的火灾目标检测模型，输出得到火灾目标检测结果，其中，所述火灾目标检测模型包括有特征提取网络、边缘检测模块、卷积模块、池化模块和输出模块；
[0010]所述特征提取网络用于对输入图像进行特征提取处理，得到维度为w
×
w
×
n的边界框特征图，其中，w＝W/(2
M
)，M表示正然数，n表示所述边界框特征图的通道数；
[0011]所述边缘检测模块用于基于C
‑
V模型对所述输入图像进行边缘检测处理，得到边缘特征图；
[0012]所述卷积模块用于对所述边界框特征图与所述边缘特征图的结合结果依次进行卷积核大小为3
×
3的第一卷积处理和卷积核大小为1
×
1的第二卷积处理，得到卷积处理结果；
[0013]所述池化模块用于对所述卷积处理结果进行池化处理，得到将高维向量扁平化为
一维向量的池化处理结果；
[0014]所述输出模块用于将所述池化处理结果中的各个向量输入到激活函数sigmoid中，得到与所述各个向量一一对应的且用于表示是否发生火灾的二分类结果，然后将置信度最高的二分类结果作为与所述边界框特征图对应的火灾目标检测结果并进行输出。
[0015]基于上述
技术实现思路
，提供了一种基于特征提取网络和边缘检测技术的隧道内火灾发生检测新方案，即在获取由隧道内摄像头采集的现场图像后，先对所述现场图像进行预处理，得到RGB图像，然后将所述RGB图像输入已完成预训练的且包括有特征提取网络、边缘检测模块、卷积模块、池化模块和输出模块的火灾目标检测模型，输出得到火灾目标检测结果，并通过所述特征提取网络、所述边缘检测模块、所述卷积模块、所述池化模块和所述输出模块的功能组合，将为向量特征矩阵形式的边界框特征与边缘特征结合利用起来，最后基于两特征结合结果开展后续的火灾发生分类，进而可实现提升特征重用率和火灾目标检测结果准确性的目的，便于实际应用和推广。
[0016]在一个可能的设计中，所述特征提取网络包括有沿处理方向依次布置的输入层、升维层和M个特征提取组，其中，所述特征提取组包括有沿所述处理方向依次布置的下采样层和通道逐个密集连接模块；
[0017]所述升维层用于在通道数维度上对由所述输入层输入的图像进行升维处理，得到维度为W
×
W
×
n1的升维图像，其中，n1表示所述升维图像的通道数；
[0018]在所述M个特征提取组中的且沿所述处理方向的第m个特征提取组的下采样层，用于对第一前层输出图像进行下采样处理，得到维度为的第m个下采样图像，其中，m表示不大于M的正整数，所述第一前层输出图像是指由在所述处理方向上位于所述下采样层之前的一处理层输出的图像，n
m,1
表示所述第一前层输出图像的通道数；
[0019]所述第m个特征提取组的通道逐个密集连接模块，用于在通道数维度上拼接所述第m个下采样图像的卷积结果和拷贝结果，得到维度为的第m个边界框特征图，其中，n
m
表示所述第m个边界框特征图的通道数。
[0020]在一个可能的设计中，所述升维层采用滤波器数目为32个、卷积核大小为3
×
3、零填充数为1且步长为1的卷积层。
[0021]在一个可能的设计中，所述下采样层采用滤波器数目为所述升维层的滤波器数目的2
m
倍、卷积核大小为3
×
3、零填充数为1且步长为2的卷积层。
[0022]在一个可能的设计中，所述通道逐个密集连接模块包括有沿所述处理方向依次布置的至少一个通道逐个密集连接子模块，其中，所述通道逐个密集连接子模块分别包括有卷积、拷贝层和拼接层；
[0023]在所述第m个特征提取组的通道逐个密集连接模块中沿所述处理方向的第j个通道逐个密集连接子模块的通道逐个卷积层，用于先对第二前层输出图像进行在各个通道上的卷积处理，然后在通道数维度上逐个拼接与所述各个通道一一对应的卷积处理结果，得到维度为的第一特征图，其中，j表示正整数，所述第二前层输出图像是指由在所述处理方向上位于所述通道逐个卷积层之前的一处理层输出的图像，n
m,j
表示所述第一
特征图的通道数；
[0024]所述第j个通道逐个密集连接子模块的拷贝层，用于对所述第二前层输出图像进行拷贝处理，得到维度为的第二特征图，其中，n
m,2
表示所述第二前层输出图像的通道数；
[0025]所述第j个通道逐个密集连接子模块的拼接层，用于在通道数维度上拼接所述第一特征图和所述第二特征图，得到维度为的第三特征图。
[0026]在一个可能的设计中，所述通道逐个卷积层采用滤波器数目为所述升维层的滤波器数目的2
m
倍、卷积核大小为3
×
3、零填充数为1且步长为1的卷积层；
[0027]或者，所述通道逐个卷积层采用滤波器数目为所述升维层的滤波器数目的2
m
倍、卷积核大小为5
×
5、零填充数为2且步长为1的卷积层。
[0028]在一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隧道内火灾发生检测方法，其特征在于，包括：获取由隧道内摄像头采集的现场图像；对所述现场图像进行预处理，得到维度为的RGB图像，其中，W
×
W表示所述RGB图像的分辨率，W表示不小于160的正整数，表示所述RGB图像的通道数；将所述RGB图像输入已完成预训练的火灾目标检测模型，输出得到火灾目标检测结果，其中，所述火灾目标检测模型包括有特征提取网络、边缘检测模块、卷积模块、池化模块和输出模块；所述特征提取网络用于对输入图像进行特征提取处理，得到维度为w
×
w
×
n的边界框特征图，其中，w＝W/(2
M
)，M表示正然数，n表示所述边界框特征图的通道数；所述边缘检测模块用于基于C
‑
V模型对所述输入图像进行边缘检测处理，得到边缘特征图；所述卷积模块用于对所述边界框特征图与所述边缘特征图的结合结果依次进行卷积核大小为3
×
3的第一卷积处理和卷积核大小为1
×
1的第二卷积处理，得到卷积处理结果；所述池化模块用于对所述卷积处理结果进行池化处理，得到将高维向量扁平化为一维向量的池化处理结果；所述输出模块用于将所述池化处理结果中的各个向量输入到激活函数sigmoid中，得到与所述各个向量一一对应的且用于表示是否发生火灾的二分类结果，然后将置信度最高的二分类结果作为与所述边界框特征图对应的火灾目标检测结果并进行输出。2.根据权利要求1所述的隧道内火灾发生检测方法，其特征在于，所述特征提取网络包括有沿处理方向依次布置的输入层、升维层和M个特征提取组，其中，所述特征提取组包括有沿所述处理方向依次布置的下采样层和通道逐个密集连接模块；所述升维层用于在通道数维度上对由所述输入层输入的图像进行升维处理，得到维度为W
×
W
×
n1的升维图像，其中，n1表示所述升维图像的通道数；在所述M个特征提取组中的且沿所述处理方向的第m个特征提取组的下采样层，用于对第一前层输出图像进行下采样处理，得到维度为的第m个下采样图像，其中，m表示不大于M的正整数，所述第一前层输出图像是指由在所述处理方向上位于所述下采样层之前的一处理层输出的图像，n
m,1
表示所述第一前层输出图像的通道数；所述第m个特征提取组的通道逐个密集连接模块，用于在通道数维度上拼接所述第m个下采样图像的卷积结果和拷贝结果，得到维度为的第m个边界框特征图，其中，n
m
表示所述第m个边界框特征图的通道数。3.根据权利要求2所述的隧道内火灾发生检测方法，其特征在于，所述升维层采用滤波器数目为32个、卷积核大小为3
×
3、零填充数为1且步长为1的卷积层。4.根据权利要求2所述的隧道内火灾发生检测方法，其特征在于，所述下采样层采用滤波器数目为所述升维层的滤波器数目的2
m
倍、卷积核大小为3
×
3、零填充数为1且步长为2的卷积层。5.根据权利要求2所述的隧道内火灾发生检测方法，其特征在于，所述通道逐个密集连
接模块包括有沿所述处理方向依次布置的至少一个通道逐个密集连接子模块，其中，所述通道逐个密集连接子模块分别包括有卷积、拷贝层和拼接层；在所述第m个特征提取组的通道逐个密集连接模块中沿所述处理方向的第j个通道逐个密集连接子模块的通道逐个卷积层，用于先对第二前层输出图像进行在各个通道上的卷积处理，然后在通道数维度上逐个拼接与所述各个通道一一对应的卷积处理结果，得到维度为的第一特征图，其中，j表示正整数，所述第二前层输出图像是指由在所述处理方向上位于所述通道逐个卷积层之前的一处理层输出的图像，n
m,j
表示所述第一特征图的通道数；所述第j个通道逐个密集连接子模块的拷贝层，用于对所述第二前层输出图像进行拷贝处理，得到维度为的第二特征图，其中，n
m,2
表示所述第二前层输出图像的通道数；所述第j个通道逐个密集连接子模块的拼接层，用于在通道数维度上拼接所述第一特征图和所述第二特征图，得到维度为的第三特征图。6.根据权利要求5所述的隧道内火灾发生检测方法，其特征在于，所述通道逐个卷积层采用滤波器数目为所述升维层的滤波器数目的2
m
倍、卷积核大小为3
×
3、零填充数为1且步长为1的卷积层；或者，所述通道逐个卷积层采用滤波器数目为所述升维层的滤波器数目的2
m
倍、卷积核大小为5
×
5、零填充数为2且步长为1的卷积层。...

【专利技术属性】
技术研发人员：陈磊，黄金叶，
申请(专利权)人：深圳市旗扬特种装备技术工程有限公司，
类型：发明
国别省市：