【技术实现步骤摘要】
本申请涉及火灾图像处理领域，尤其涉及一种火灾检测方法、装置及设备。
技术介绍
1、火灾是一种具有极大破坏力和突发性的灾害，给救援工作带来了巨大的挑战。随着社会经济的快速发展，火灾事故的发生频率也不断增加，而传统的火灾检测手段已经难以满足现代化“智能消防”的需求。为了实现对火灾现场的快速、准确的检测，计算机视觉技术发挥了重要的作用。近年来，基于人工智能的影像分析和视频图像处理技术在火灾检测领域得到了广泛的应用，能够及时、有效地发现火灾，具有重要的学术价值和实用价值。然而，由于火灾现场的复杂性，火焰和烟雾这两类目标的形状、大小、模糊度和生成顺序都存在着很大的差异和不确定性。目前，国内外已经提出了多种基于目标检测和语义分割的技术来实现对火焰和烟雾的识别。但是，在一些实际的火灾场景中，火焰和烟雾往往同时出现(例如大分子有机化合物的燃烧，如化学品、液体燃料和固态燃料)。这就导致了火焰和烟雾图像的重叠程度很高，难以对目标的轮廓进行分割，会降低检测的准确性。同时，由于两种不同类型的目标之间存在着显著的特征差异，传统的目标检测方法在分别对火焰、烟雾的检测时，往往会出现精度偏差过大、误检过多等问题。
技术实现思路
1、本申请的主要目的在于提供一种火灾检测方法、装置及设备及计算机设备，旨在解决目标检测模型的检测准确性较低的问题。
2、为实现上述目的，本申请提供一种火灾检测方法，包括：获取待检测图像；将待检测图像输入预先训练的火灾检测模型，得到待检测图像中检测目标的目标框和目标类别标签；其中
3、可选的，预先训练的火灾检测模型还包括编码器模块、解码器模块和预测头；将待检测图像输入预先训练的火灾检测模型，得到待检测图像中检测目标的目标框和目标类别标签，包括：通过特征提取模块对待检测图像进行多尺度特征提取，得到第一特征图；通过特征抑制模块对第一特征图进行特征抑制，得到第二特征图；通过编码器模块对第二特征图进行位置编码，并利用自注意力机制对位置编码后的第二特征图进行全局依赖关系提取，输出第一特征向量；通过解码器模块利用目标查询与第一特征向量进行交互，得到包含目标类别和边界框信息的预测向量；通过预测头将预测向量转换为目标的边界框、类别标签。
4、可选的，编码器模块包括e个编码器层，解码器模块包括f个解码器层，其中，e、f均为自然数，且e＜f。
5、可选的，编码器模块包括第一注意力单元和第一变换单元；第一注意力单元用于通过自注意力机制计算第二特征图中各个特征之间的关系，输出初始特征图；第一变换单元用于对初始特征图进行变换处理，输出特征图；解码器模块包括第二注意力单元、第三注意力单元和第二变换单元；第二注意力单元用于利用自注意力机制计算各个初始目标查询之间的关系，输出包含与其他初始目标查询关系的目标查询；第三注意力单元用于利用交叉注意力机制对目标查询与变换特征图进行交互，得到包含目标类别和边界框信息的初始预测向量；第二变换单元用于对初始预测向量进行变换处理，输出预测向量。
6、可选的，第一注意力单元和第二注意力单元的自注意力机制均为多尺度可变形注意力机制。
7、可选的，预先训练的火灾检测模型的训练过程包括：对获取到的火灾图像中的检测目标进行目标框和目标类别标注，得到样本集；对样本集进行预处理；将预处理后的样本集输入预设模型，得到预测目标框、目标类别标签；根据预测的目标框、目标类别标签与实际的目标框、目标类别标签，并利用预设损失函数计算总损失值，并根据总损失值更新预设模型的参数，直至预设模型收敛，得到预先训练的火灾检测模型。
8、可选的，在获取待检测图像之后，方法还包括：对待检测图像进行预处理，其中，预处理过程包括变换、畸变、缩放、去噪操作。
9、可选的，预设损失函数包括分类损失函数和回归损失函数的加权和，其中，回归损失函数包括giou损失函数和smooth损失函数的加权和。
10、此外，为实现上述目的，本申请还提供一种火灾检测装置，包括：
11、图像获取模块，用于获取待检测图像；
12、检测模块，用于将待检测图像输入预先训练的火灾检测模型，得到待检测图像中检测目标的目标框和目标类别标签。
13、此外，为实现上述目的，本申请还提供一种检测设备，包括至少一个处理单元、系统存储器和总线，处理单元执行程序时实现上述火灾检测方法。
14、本申请提出的一种火灾检测方法，特征提取模块采用fasternet，能够降低骨干网络的复杂度，根据输入火灾的尺寸以及火灾检测任务需求进行灵活的调整，提高了其通用性和检测效率；在特征提取模块之后加入特征抑制模块，抑制显著性较低的特征(包括背景中的特征)，减少了冗余计算和内存开销，进而提高了计算效率和flops；transformer网络中采用多尺度可变形的注意力机制，能稀疏化特征从多尺度的特征图中采样关键的位置，实现对不同尺度火焰(烟雾)的检测，进而对火焰、烟雾进行准确分割，提高检测精度；同时避免了fpn的使用，提高了火灾检测模型的简洁性和效率。
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，包括：
2.如权利要求1所述的火灾检测方法，其特征在于，所述预先训练的火灾检测模型还包括编码器模块、解码器模块和预测头；所述将所述待检测图像输入预先训练的火灾检测模型，得到待检测图像中检测目标的目标框和目标类别标签，包括：
3.如权利要求1所述的火灾检测方法，其特征在于，所述编码器模块包括E个编码器层，所述解码器模块包括F个解码器层，其中，E、F均为自然数，且E＜F。
4.如权利要求2所述的火灾检测方法，其特征在于，
5.如权利要求4所述的火灾检测方法，其特征在于，所述第一注意力单元和所述第二注意力单元的自注意力机制均为多尺度可变形注意力机制。
6.如权利要求1所述的火灾检测方法，其特征在于，所述预先训练的火灾检测模型的训练过程包括：
7.如权利要求1所述的火灾检测方法，其特征在于，在所述获取待检测图像之后，所述方法还包括：
8.如权利要求1所述的火灾检测方法，其特征在于，
9.一种火灾检测装置，其特征在于，包括：
10.一种检测设备，其特
...【技术特征摘要】
1.一种火灾检测方法，其特征在于，包括：
2.如权利要求1所述的火灾检测方法，其特征在于，所述预先训练的火灾检测模型还包括编码器模块、解码器模块和预测头；所述将所述待检测图像输入预先训练的火灾检测模型，得到待检测图像中检测目标的目标框和目标类别标签，包括：
3.如权利要求1所述的火灾检测方法，其特征在于，所述编码器模块包括e个编码器层，所述解码器模块包括f个解码器层，其中，e、f均为自然数，且e＜f。
4.如权利要求2所述的火灾检测方法，其特征在于，
5.如权利要求4所述的火灾检测方法，其特征在于，所述...
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。