【技术实现步骤摘要】
本专利技术涉及火灾探测，具体是指基于人工智能的图像火灾探测方法及系统。
技术介绍
1、图像火灾探测方法是一种利用图像处理和计算机视觉技术从图像或视频数据中检测和识别火灾的技术。它通过分析图像中的视觉特征，如烟雾、火焰、光的变化等，来判断是否存在火灾。这种方法在实际应用中具有重要意义，特别是在早期火灾预警和监控方面。但是一般图像火灾探测方法存在无法精确地定位火灾区域及识别出潜在的火源位置，导致漏报和误报；对火灾图像进行分割时受噪声影响严重，导致分割效率低，进而导致图像火灾探测准确性差的问题；一般图像火灾探测方法存在模型参数设置不当，参数优化收敛速度慢，容易陷入局部最优，训练动荡性大，进而导致图像火灾探测准确性差的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的图像火灾探测方法及系统，针对一般图像火灾探测方法存在无法精确地定位火灾区域及识别出潜在的火源位置，导致漏报和误报；对火灾图像进行分割时受噪声影响严重，导致分割效率低，进而导致图像火灾探测准确性差的问题，本方案引入距离度量，增强火灾区域与非火灾区域的分离能力；通过引入模糊权重，改进火灾区域的识别，减少噪声和误报；使用先验熵增加目标函数对隶属度分布的约束，避免隶属度分布过于模糊；来加强对火灾区域的探测能力，减少误分类和错误检测；进而改善图像火灾探测的准确性；针对一般图像火灾探测方法存在模型参数设置不当，参数优化收敛速度慢，容易陷入局部最优，训练动荡性大，进而导致图像火灾探测准确性差的问题，
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的图像火灾探测方法，该方法包括以下步骤：
3、步骤s1：图像采集；
4、步骤s2：图像分割；
5、步骤s3：迭代优化；
6、步骤s4：建立火灾探测模型；
7、步骤s5：图像火灾探测。
8、进一步地，在步骤s1中，所述图像采集是采集历史探测图像数据集；所述历史探测图像数据集包括火灾图像和非火灾图像；对历史探测图像数据集进行标注火灾区域和火灾风险评估等级，火灾区域用于图像分割，火灾风险评估等级作为图像标签。
9、进一步地，在步骤s2中，所述图像分割具体包括以下步骤：
10、步骤s21：引入距离度量；利用欧几里得距离和非欧几里得距离度量，增强火灾区域与非火灾区域的分离能力；得到对历史探测图像数据集进行图像分割的目标函数的初步优化，表示如下：
11、；
12、；
13、式中，是初步优化的目标函数，用于度量聚类效果，u是隶属度矩阵，v是聚类中心集合；c是聚类中心数量即火灾区域的类别数，i是聚类中心索引；n是图像像素点数量，j是图像像素点索引；uij是数据点j属于第i个聚类的隶属度；xj是第j个图像像素点；m是模糊度指数；vi是第i个聚类中心；是非欧几里得距离项，通过对高斯分布的负对数来表示；是第i个聚类中心的协方差矩阵；k是特征总维度；
14、步骤s22：引入模糊权重；通过引入模糊权重，改进火灾区域的识别，减少噪声和误报；得到二次优化的目标函数，如下所示：
15、；
16、；
17、式中，是进一步优化的目标函数，用于度量图像分割的效果，w是特征权重矩阵，包含所有聚类在每个特征维度上的权重；d是维度索引；是第i个聚类中心在第d特征维度的模糊权重；τ是模糊权重指数；是第j个数据点的第d个特征值；vid是第i个聚类中心的第d个特征值；
18、步骤s23：引入先验熵；使用先验熵增加目标函数对隶属度分布的约束，避免隶属度分布过于模糊；来加强对火灾区域的探测能力，减少误分类和错误检测；得到最终优化的目标函数，表示为：
19、；
20、；
21、式中，α是调整特征权重的正则化项；γ是调整先验熵的常数项。
22、进一步地，在步骤s3中，所述迭代优化具体包括以下步骤：
23、步骤s31：引入拉格朗日乘子；使用拉格朗日乘子算法来优化求解最优解，通过迭代算法优化目标函数，获得准确的火灾区域检测结果；得到：
24、；
25、式中，是引入拉格朗日乘子得到的目标函数；和分别是对第j个像素点和第i个聚类中心的隶属度约束的拉格朗日乘子；
26、步骤s32：令；；求偏导得到：
27、；
28、式中，和分别是第j个像素点和第i个聚类中心的拉格朗日乘子之和；
29、步骤s33：求偏导得到：
30、；
31、步骤s34：求偏导得到：
32、；
33、步骤s35：求偏导得到：
34、；
35、步骤s36：迭代判定，若目标函数收敛，则迭代优化结束，得到优化后的参数包括隶属度矩阵、特征权重矩阵、聚类中心集合和协方差矩阵，基于优化后的参数进行步骤s2的图像分割，得到分割后的数据集，将分割后的数据集划分为测试集和训练集；否则返回至步骤s31更新目标函数继续迭代。
36、进一步地，在步骤s4中，所述建立火灾探测模型具体包括以下步骤：
37、步骤s41：模型架构设计；基于dcnn训练火灾探测模型；火灾探测模型包括卷积层、池化层、sigmoid激活函数、全连接层、批量归一化、dropout和输出层；卷积层用于提取火灾探测数据集的局部特征，通过卷积操作从输入图像中提取特征图；池化层用于缩小特征图的尺寸，减少计算量，同时保留重要特征；全连接层用于将特征图展平，并通过全连接层进行分类；批量归一化在每一层之后进行数据归一化，加速训练和提高稳定性；dropout随机丢弃一部分神经元，以防止过拟合；输出层生成最终的预测结果，使用softmax激活函数；
38、步骤s42：模型参数优化；对火灾探测模型的初始偏置和权重进行优化，具体包括：
39、步骤s421：初始化；基于火灾探测模型的初始偏置和权重建立优化空间；随机初始化搜索种群中的个体位置；将基于个体位置训练的火灾探测模型对测试集的预测正确率作为个体适应度值；
40、步骤s422：步长设计；基于平衡全局搜索和局部搜索，通过动态调整步长来逐步逼近最优解；所用公式如下：
41、；
42、；
43、式中，ak(q+1)和ak(q)分别是第k个个体第q+1次和第q次迭代时的步长；n是步长调整因子；qmax是最大迭代次数；ik(q)是个体第q次迭代时的位置；obest和og本文档来自技高网...
【技术保护点】
1.基于人工智能的图像火灾探测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：进一步地，在步骤S2中，所述图像分割还包括以下步骤：
3.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤S4中，所述建立火灾探测模型具体包括以下步骤：
4.根据权利要求2所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤S3中，所述迭代优化具体包括以下步骤：
5.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤S1中，所述图像采集是采集历史探测图像数据集；所述历史探测图像数据集包括火灾图像和非火灾图像；对历史探测图像数据集进行标注火灾区域和火灾风险评估等级，火灾区域用于图像分割，火灾风险评估等级作为图像标签。
6.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤S5中，所述图像火灾探测是基于建立完成的火灾探测模型，实时采集火灾探测图像，经图像分割后输入至火灾探测模型中，基于火灾探测模型输出的火灾风险评估等级实现图
7.基于人工智能的图像火灾探测系统，用于实现如权利要求1-6中任一项所述的基于人工智能的图像火灾探测方法，其特征在于：包括图像采集模块、图像分割模块、迭代优化模块、火灾探测模型建立模块和图像火灾探测模块；
...【技术特征摘要】
1.基于人工智能的图像火灾探测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：进一步地，在步骤s2中，所述图像分割还包括以下步骤：
3.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤s4中，所述建立火灾探测模型具体包括以下步骤：
4.根据权利要求2所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤s3中，所述迭代优化具体包括以下步骤：
5.根据权利要求1所述的基于人工智能的图像火灾探测方法，其特征在于：在步骤s1中，所述图像采集是采集历史探测图像数据集；所述历史探测图像...
【专利技术属性】
技术研发人员：彭拯，
申请(专利权)人：特致珈长沙物联科技有限公司，
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。