【技术实现步骤摘要】
本专利技术涉及深度学习和目标检测领域，具体涉及一种火灾检测方法及系统。
技术介绍
1、火灾是一种常见的自然灾害，对人类的生命和财产造成严重的威胁。火灾检测是指利用各种技术手段，为火灾的预警和控制提供信息支持，是火灾防治的重要手段，对于保护人类的生命和财产、减少火灾的损失和危害，具有重要的现实意义。
2、火灾检测是一种特殊的目标检测任务，它的目的是在图像中定位和识别火灾的存在和范围，如火焰、烟雾等。火灾检测的方法可以分为两类：基于图像处理的方法和基于深度学习的方法。基于图像处理的方法主要利用火灾的颜色、亮度、形状、纹理等特征，通过一些固定的阈值或规则，来判断图像中是否存在火灾，但这类方法只利用了火灾的静态信息，而忽略了火灾的动态信息，如火焰的运动、闪烁等，导致火灾检测的误报和漏报。基于深度学习的方法主要利用神经网络模型，通过大量的火灾图像数据进行训练，来学习火灾的特征和规律，从而实现火灾的检测和分类，但这类方法也没有充分利用火灾的动态信息，而只依赖于神经网络模型的学习能力，导致火灾检测的准确性和鲁棒性不足。因此，现有的火灾检测方法都存在一定的不足和局限，急需一种能够充分结合火灾的静态和动态信息的方法，提高火灾检测的准确性和鲁棒性。
3、公布号为cn116844092a的现有专利技术专利申请文献《基于ai视频分析的大空间火灾探测分析系统和分析方法》，该现有方法包括：识别连续多帧图像，通过以下步骤进行分析；对采集到的视频数据进行预处理，包括去噪、增强处理；使用ai深度处理多帧图像，提高相对清晰度，利用sobel
4、公布号为cn116343093a的现有专利技术专利申请文献《火灾态势预测方法、设备及介质》，该现有方法中，通过基于深度学习的特征提取模块，分别提取每组图像的时间特征和空间特征之前，还包括：分别对无监督光流估计模型和卷积网络单独进行训练；其中，无监督光流估计模型训练中采用的损失函数包括：结构损失和光度损失的加权融合；卷积网络训练中采用的损失函数包括：火灾区域的边界损失和像素值损失的加权融合；结构损失和边界损失共同约束火灾范围误差，光度损失和像素值损失共同约束烟雾浓度误差。然而，前述现有技术难以预测火灾的运动趋势，存在对提取的光流信息使用不充分的问题。
5、公布号为cn115424116a的现有专利技术专利申请文献《轻量级卷积神经网络的火灾检测方法、装置及设备》，该现有方法中，采用注意力机制squeeze-and-excitation如图2所示，该注意力模块结构简单，通用性更强。在网络的较浅层该注意力模块会强化低级共享特征，例如检测的火焰特征，同时也会包括易燃物体的特征等，使得该模型注意到火灾发生以及可能发生火灾的区域。在较深层，注意力模块强化的特征趋于特殊，只会对特定的火灾特征做出响应。两者相结合，实现对火灾特征的强化，从而提高火灾检测精度。所述注意力机制squeeze-and-excitation包括挤压操作fsq和激励操作fex，其中挤压操作采用全局平均池化层，用于全局信息的嵌入；激励操作采用两个全连接层，用于自适应重新校准。然而，前述现有技术使用mobilenetv2实现对卷积神经网络的轻量化，轻量化效果存在局限；同时，该现有技术的模型无法保证对火灾识别精度，也未考虑火灾运动趋势。
6、公布号为cn115423998a的现有专利技术专利申请文献《一种基于轻量级无锚检测模型的可见光森林火灾检测方法》，该现有方法中，结合高效通道注意力网络和ghostnet思想对mobilenetv3网络进行改进，构建主干特征提取网络mobilenetv3g，使得在模型轻量化的同时保留多尺度特征信息；使用深度可分离卷积简化路径聚合网络，进一步减少模型的计算量，并引入自适应空间特征融合模块，以减轻不同尺度特征图之间的不一致性。然而，该现有技术使用的cba注意力，结构较为复杂，在主干网络中进行简单的特征提取任务的应用场景下适用性较低；同时，该现有技术未考虑疑似火灾，易导致漏检、误检；该现有技术未考虑火灾运动状态和趋势，导致获取的火灾运动信息单一。
7、公布号为cn115331384b的现有专利技术专利申请文献《基于边缘计算的作业平台火灾事故预警系统》，该现有方法中，在原生yolox网络结构中，采用ghostnet模型作为yolox的骨干网络进行图像的特征提取，ghostnet采用了线性运算来扩充特征，增加通道数，能大幅度减少模型的参数总量和浮点数。然而，该现有技术使用的是eca注意力，难以通过降低特征维度的方式来降低网络的复杂度；该现有技术缺乏对疑似火灾的辅助判断，制约了火灾识别精度，漏误检率较高；该现有技术未充分考虑火灾的运动状态和趋势，导致获取的火灾运动信息丰富度较低。
8、公布号为cn114821466a的现有专利技术专利申请文献《一种基于改进yolo模型的轻型室内火灾识别方法》，该现有方法中，引入ghost module，针对在使用残差模块提取特征图的过程中，生成的冗余特征图，ghostnet使用ghost module模块进行处理，该模块将普通卷积分为两部分，首先进行一个常规的1×1少量卷积，生成输入特征层的特征浓缩，然后再进行深度可分离逐层卷积，利用上一步获得的特征浓缩生成ghost特征图；引入ghostbottlenecks，来代替瓶颈结构里面的普通卷积,ghostbottlenecks分为两个部分，分别是主干部分和残差边部分，包含ghost module的，称为主干部分；ghost bottlenecks有两个种类，当需要对特征层的宽高进行压缩的时候，设置这个ghost bottlenecks的stride＝2，即步长为2，此时会在bottlenecks里面多添加一些卷积层，在主干部分里，在两个ghostmodule中添加一个步长为2×2的深度可分离卷积进行特征层的宽高压缩，在残差边部分，添加上一个步长为2×2的深度可分离卷积和1×1的普通卷积。然而，该现有技术采用的网络模型难以实现对重要特征通道的关注，模型性能受有制约；同时，该现有技术无法利用视频中帧与帧之间的火灾运动信息，导致对检测火焰和烟雾检测效果较差，火灾检测的准确性和鲁棒性较差。
9、现有公开文献《基于轻量级卷积神经网络的图像型火灾检测算法研究》，该现有文献中，引入ghostnet作为主干网络，从而实现网络轻量本文档来自技高网...
【技术保护点】
1.一种火灾检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种火灾检测方法，其特征在于，所述步骤S1包括：
3.根据权利要求2所述的一种火灾检测方法，其特征在于，所述步骤S12中的所述幽灵瓶颈模块GB还包括：不少于2个所述GC幽灵卷积模块，在所述GB幽灵瓶颈模块中的所述GC幽灵卷积模块后，添加SE压缩激励模块。
4.根据权利要求2所述的一种火灾检测方法，其特征在于，所述步骤S12中，在所述YOLOv5s轻量级目标检测模型中的每个所述C3G三重幽灵模块的输出特征图上，添加所述SE压缩激励模块，以对每个所述特征通道的重要性进行学习、调整。
5.根据权利要求2所述的一种火灾检测方法，其特征在于，所述步骤S12还包括：
6.根据权利要求1所述的一种火灾检测方法，其特征在于，所述预置光流模型包括：金字塔变形代价容量网络PWC-Net。
7.根据权利要求6所述的一种火灾检测方法，其特征在于，所述金字塔变形代价容量网络PWC-Net包括：
8.根据权利要求1所述的一种火灾检测方法，其特征在于，所
9.根据权利要求1所述的一种火灾检测方法，其特征在于，所述步骤S7中，将所述火灾边框、所述火灾置信度以及所述火灾运动信息保存为结构化数据文件，供分析处理；根据所述火灾边框、所述火灾置信度以及所述火灾运动信息，生成并发出报警信息。
10.一种火灾检测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种火灾检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种火灾检测方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的一种火灾检测方法，其特征在于，所述步骤s12中的所述幽灵瓶颈模块gb还包括：不少于2个所述gc幽灵卷积模块，在所述gb幽灵瓶颈模块中的所述gc幽灵卷积模块后，添加se压缩激励模块。
4.根据权利要求2所述的一种火灾检测方法，其特征在于，所述步骤s12中，在所述yolov5s轻量级目标检测模型中的每个所述c3g三重幽灵模块的输出特征图上，添加所述se压缩激励模块，以对每个所述特征通道的重要性进行学习、调整。
5.根据权利要求2所述的一种火灾检测方法，其特征在于...
【专利技术属性】
技术研发人员：徐正春，许道礼，管健，
申请(专利权)人：中国科学技术大学先进技术研究院，
类型：发明
国别省市：
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。