一种牵引所火灾识别方法、装置、存储介质及电子设备制造方法及图纸

本申请公开了一种牵引所火灾识别方法、装置、存储介质及电子设备。所述方法包括：对预设火灾图像数据集进行预处理获得预处理后的火灾图像数据集；其中，火灾图像数据集中的每个图像均包括彩色RGB三通道，预处理包括去燥处理和打标签处理；根据预处理后的火灾图像数据集对预设火灾图像识别模型进行训练，获得正常火灾识别模型；根据预处理后的火灾图像数据集对正常火灾识别模型进行迁移学习，获得训练好的模型；通过训练好的模型对牵引所的图像进行识别，以根据识别结果判定牵引所是发生了火灾。可有效识别小规模火灾数据，能够有效避免火灾的进一步扩大，还可有效识别多种变电站火灾，并节约时间及空间成本，具有较强的普适性和可扩展性。和可扩展性。和可扩展性。

【技术实现步骤摘要】
一种牵引所火灾识别方法、装置、存储介质及电子设备


[0001]本申请涉及牵引所火灾识别
，特别地涉及一种牵引所火灾识别方法、装置、存储介质、计算机程序产品以及电子设备。

技术介绍

[0002]此处提供的
技术介绍
描述的目的是总体地给出本申请的背景，本部分的陈述仅仅是提供了与本申请相关的背景，并不必然构成现有技术。
[0003]随着我国电气行业及铁路运输行业的快速发展，对牵引所的需求越来越大。牵引所相关设备种类繁多、线路布置复杂，容易发生火灾，造成重大经济财产损失。因此，准确及时地检测牵引所火灾是至关重要的。
[0004]现有技术下，点传感器是最常用的牵引所火灾传感技术，用于监测热量、气体、火焰、烟雾和其他一些重要的火灾特性。在热传感方面，Chiang开发了一种设备，可通过监测内外壁面之间的温差来测量火灾阶段；王等人研究了近场和远场温度传感器阵列来检测火灾阶段；Jevti和Blagojevi采用电气和护套热电偶型热传感器来监测与火灾阶段相关的电线电阻和表面温度。对于气体传感器的应用，Liu等人通过检测半导体、催化珠、光电离、红外、电化学、光学、声学、气相色谱和量热的传感器输出变化，对气体传感技术进行了总结。一般来说，火灾感应系统是为了检测早期火灾，误报较少。然而，作为基于特征的方法，目前常用的点传感器在复杂的火灾环境下误报率很高。
[0005]与点传感器相比，基于图像的火灾探测可以有效减少外界环境的干扰，且图像信息丰富，连续性好，图像处理方法成本低，可操作性强。火焰图像的自动识别可以通过机器学习的方法和足够的样本训练模型来实现。近年来，支持向量机(Support Vector Machine，简称SVM)、前馈人工神经网络、小波神经网络、模糊神经网络、概率神经网络(Probabilistic Neural Networks，简称PNN)，RBF神经网络，BP神经网络，极限学习机(Extreme Learning Machine，简称ELM)等已应用于火灾图像识别。但SVM的泛化性能较差，容易出现过拟合，而且SVM中所选核函数的预测精度受数据分布特性影响较大；在RBF和SVM网络中，由于使用了高维数据映射，也会出现泛化能力差、容易过拟合等问题；ELM依赖于对隐藏层节点数量的准确选择，隐藏层节点数量过多会增加模型的计算量，容易过拟合；BP收敛速度慢，容易陷入局部极值；小波神经网络中小波函数的选择具有主观性，其预测精度受数据特征影响较大；模糊神经网络中隶属函数的选择具有主观性，对模型的预测精度影响很大。
[0006]如今随着深度学习技术的不断发展，基于深度学习算法的火焰图像识别受到广泛关注。穆罕默德等通过提取卷积神经网络(Convolutional Neural Networks，简称CNN)的深度特征构建了火灾检测框架；赛义德等人提出了一种用于火灾检测的CNN混合模型；夏尔马等人混合CNN和ELM两种模型实现火灾图像检测；佩雷拉等人通过引入大规模主动火灾检测数据集并使用不同的CNN架构，提出了卫星图像中的主动火灾检测方法；阿亚拉等人提出了一种新的火灾图像识别深度学习架构，采用倒置残差块、深度卷积和倍频程来降低模型
的计算成本，同时可以保证较高的计算精度；孙等人提出了一种改进的CNN，实现了森林火灾烟雾的快速检测；曹等人提出了一种注意力增强双向长短期记忆网络(ABi
‑
LSTM)，用于视频中森林火灾的烟雾识别；庞迪尔和拉曼提出了一种基于双深度学习框架的鲁棒烟雾检测方法，第一个深度学习框架从烟雾斑块中提取基于图像的特征，第二个深度学习框架用于提取基于运动的特征，然后输入到CNN分类器完成分类；杨等人提出了一种结合轻量级CNN和SRU的神经网络模型，可以减少强干扰，如强光闪烁或高亮度背景对单帧火灾图像识别的影响。
[0007]但是，在现有技术下仍存在有不少的缺陷：比如，在技术层面：深度学习网络虽然能提取火灾特征，但是在一层层的网络传输下容易丢失显著明了的特征；忽略了小规模火灾的情况，及时发现小规模火灾能够避免更多的损失；没有针对变电站火灾图像的识别。在成本层面：深度学习网络结构复杂，会耗费更多的训练时间和服务器资源；都是采用固定数据集，普适性差，大规模推广的成本偏大。在效率层面：网络结构复杂，识别效率偏低；由于没有迁移学习，各变电站情况不一，影响识别效率。

技术实现思路

[0008]针对上述问题，本申请提出一种牵引所火灾识别方法、装置、存储介质、计算机程序产品及电子设备。本申请所解决的现有技术中存在的问题包括，在技术方面：采用自注意力机制和特征融合模型，可以有效提取火灾显著特征，避免丢失；采用迁移学习，可以完成多种牵引所火灾检测和小规模火灾检测。在成本方面：采用的网络结构简单，有利于节省时间成本和服务器资源；采用多种牵引变电所图像作为迁移学习数据集，增加变电所仅需采用迁移学习，不需要重新训练。在效率方面：采用的网络结构简单，识别效率高；采用迁移学习，能够识别多种变电火灾情况，模型可以适用于多种变电站火灾数据集，提高识别效率。
[0009]本申请的第一个方面，提供了一种牵引所火灾识别方法，所述方法包括：
[0010]对预设火灾图像数据集进行预处理获得预处理后的火灾图像数据集；其中，所述火灾图像数据集中的每个图像均包括彩色RGB三通道，所述预处理包括去燥处理和打标签处理；
[0011]根据所述预处理后的火灾图像数据集对预设火灾图像识别模型进行训练，获得正常火灾识别模型；
[0012]根据所述预处理后的火灾图像数据集对所述正常火灾识别模型进行迁移学习，获得训练好的模型；
[0013]通过所述训练好的模型对牵引所的图像进行识别，以根据识别结果判定所述牵引所是发生了火灾。
[0014]进一步的，所述根据所述预处理后的火灾图像数据集对预设火灾图像识别模型进行训练，获得正常火灾识别模型，包括：
[0015]对所述预处理后的火灾图像数据集中的图像进行特征提取，分别获得每个图像中火灾的传统特征；
[0016]通过预设自注意力模型分别对所述预处理后的火灾图像数据集中的图像进行火灾特征的自动提取，获得自动提取的火灾特征；
[0017]对所述传统特征和所述自动提取的火灾特征进行融合操作获得融合特征，并将所
有所述融合特征作为输入数据对预设火灾图像识别模型进行训练，获得所述正常火灾识别模型。
[0018]进一步的，所述预设火灾图像数据集包括：
[0019]正常火灾图像数据集、小规模火灾图像数据集和不同牵引所火灾图像数据集。
[0020]进一步的，所述去燥处理包括：
[0021]将所述预设火灾图像数据集中所有图像均调整为预设尺寸，并将所有图像转换成预设大小的图像矩阵；
[0022]通过全变分模型对所述图像矩阵进行去燥处理。
[0023]进一步的，所述传统特征包括：
[0024]火焰特征和/或烟雾特征；其中，
[0025]所述火焰特征包括：RG面积分量比、圆度和尖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种牵引所火灾识别方法，其特征在于，所述方法包括：对预设火灾图像数据集进行预处理获得预处理后的火灾图像数据集；其中，所述火灾图像数据集中的每个图像均包括彩色RGB三通道，所述预处理包括去燥处理和打标签处理；根据所述预处理后的火灾图像数据集对预设火灾图像识别模型进行训练，获得正常火灾识别模型；根据所述预处理后的火灾图像数据集对所述正常火灾识别模型进行迁移学习，获得训练好的模型；通过所述训练好的模型对牵引所的图像进行识别，以根据识别结果判定所述牵引所是发生了火灾。2.根据权利要求1所述的牵引所火灾识别方法，其特征在于，所述根据所述预处理后的火灾图像数据集对预设火灾图像识别模型进行训练，获得正常火灾识别模型，包括：对所述预处理后的火灾图像数据集中的图像进行特征提取，分别获得每个图像中火灾的传统特征；通过预设自注意力模型分别对所述预处理后的火灾图像数据集中的图像进行火灾特征的自动提取，获得自动提取的火灾特征；对所述传统特征和所述自动提取的火灾特征进行融合操作获得融合特征，并将所有所述融合特征作为输入数据对预设火灾图像识别模型进行训练，获得所述正常火灾识别模型。3.根据权利要求1所述的牵引所火灾识别方法，其特征在于，所述预设火灾图像数据集包括：正常火灾图像数据集、小规模火灾图像数据集和不同牵引所火灾图像数据集。4.根据权利要求1所述的牵引所火灾识别方法，其特征在于，所述去燥处理包括：将所述预设火灾图像数据集中所有图像均调整为预设尺寸，并将所有图像转换成预设大小的图像矩阵；通过全变分模型对所述图像矩阵进行去燥处理。5.根据权利要求1所述的牵引所火灾识别方法，其特征在于，所述传统特征包括：火焰特征和/或烟雾特征；其中，所述火焰特征包括：RG面积分量比、圆度和尖角中的一项或多项；所述烟雾特征包括：面积变化率、相关系数、相似性和整体流动性特征中的一项或多项。6.根据权利要求1所述的牵引所火灾识别方法，其特征在于，所述根据所述预处理后的火灾图像数据集对所述正常火灾识别模型进行迁...

【专利技术属性】
技术研发人员：王子彦，刘照川，郭峰，
申请(专利权)人：国能包神铁路有限责任公司，
类型：发明
国别省市：