【技术实现步骤摘要】
本专利技术涉及智能图像识别，具体涉及一种烟火检测方法、装置、设备及存储介质。
技术介绍
1、室内环境中燃放烟火极可能引发火灾，造成人身伤亡和财产损失。其中，吸烟这一行为不仅容易引发火灾，还会影响他人身体健康。为防患于未然，采用基于智能监控视频的烟火检测，针对室内烟火的检测和预警，尤为重要，可以保障人身安全，保护房屋和设备安全。随着人工智能技术的发展，基于深度学习的烟火检测方法被广泛应用。然而在相关技术中，对微小的烟火目标的检测不够准确，因此会导致吸烟的烟火的漏检，也会导致火灾起源的微小火苗和烟雾的漏检。
技术实现思路
1、有鉴于此，本专利技术提供了一种烟火检测方法、装置、设备及存储介质，以解决微小的烟火目标检测准确度低的问题。
2、第一方面，本专利技术提供了一种烟火检测方法，其特征在于，该方法包括：
3、获取待检测图像；
4、将待检测图像输入预先训练的烟火检测模型进行烟火检测；其中，烟火检测模型包括第一检测模块，第一检测模块在烟火检测模型的颈部，第一检测模块用于将烟火检测模型的主干网络输出的浅层特征和颈部网络中第一检测模块的前一网络模块输出的深层特征进行融合，并基于得到的融合特征进行烟火目标检测；
5、获取烟火检测模型输出的烟火检测结果。
6、在一种可选的实施方式中，融合特征是通过以下方法得到：
7、跨通道整合浅层特征和深层特征，得到第一特征；
8、将第一特征分别与浅层特征和深层特征进行通道拼接后，
9、采用卷积对第二特征和第三特征中的映射关系进行编码，获取第四特征和第五特征；
10、计算第四特征和第五特征的相似度；
11、对相似度进行归一化，得到归一化结果；
12、将归一化结果作为加权值，对第二特征和第三特征分别进行加权融合，以引入全局关联性，得到增强特征；
13、基于加权融合结果得到融合特征。
14、在一种可选的实施方式中，基于加权融合结果得到融合特征，包括：
15、将第二特征的加权融合结果与浅层特征进行通道拼接，得到第一拼接结果；
16、将第三特征的加权融合结果与深层特征进行通道拼接，得到第二拼接结果；
17、基于第一拼接结果和第二拼接结果，得到包括深层特征和浅层特征的原始信息和交互信息的融合特征。
18、在一种可选的实施方式中，烟火检测模型的主干网络增加了坐标注意力模块，坐标注意力模块通过x、y轴两个空间方向生成坐标感知的注意力映射。
19、在一种可选的实施方式中，坐标注意力模块的结果作为权重，对烟火检测模型的分类损失函数和回归损失函数进行加权。
20、在一种可选的实施方式中，获取烟火检测模型输出的烟火检测结果之后，还包括：
21、利用金字塔光流算法计算待检测图像中的检测框图像以及相邻帧图像之间的特征点的光流，检测框图像是烟火检测结果中的检测框内的图像，金字塔光流算法中的金字塔层数和/或阈值参数是根据检测框的面积和/或置信度确定；
22、根据光流确定检测框图像中的目标是否是静态目标；
23、若是静态目标，则从烟火检测结果中去除对应的检测框中的目标。
24、在一种可选的实施方式中，金字塔层数是通过如下方式得到：
25、计算检测框的面积的对数值、或修正后的检测框的面积的对数值；
26、将对数值与待检测图像中所有检测框的置信度最大值相乘，再除以检测框的置信度，得到第一参数；
27、利用预设常数对第一参数进行调整，得到金字塔层数，预设常数用于限制金字塔层数的取值范围。
28、在一种可选的实施方式中，阈值参数是通过以下方式得到：
29、通过最大值归一化计算出检测框的置信度归一化值；
30、利用这个归一化值来缩放预先设置的阈值参数的最小值和最大值之间的差值；
31、通过对缩放后的差值进行衰减，λ为控制检测面积影响的衰减系数，adet为检测框的面积；
32、将衰减后的差值与预先设置的阈值参数的最小值相加，得到阈值参数。
33、第二方面，本专利技术提供了一种烟火检测装置，该装置包括：
34、获取模块，用于获取待检测图像；
35、检测模块，用于将待检测图像输入预先训练的烟火检测模型进行烟火检测；其中，烟火检测模型包括第一检测模块，第一检测模块在烟火检测模型的颈部，第一检测模块用于将烟火检测模型的主干网络输出的浅层特征和颈部网络中第一检测模块的前一网络模块输出的深层特征进行融合，并基于得到的融合特征进行烟火目标检测；
36、输出模块，用于获取烟火检测模型输出的烟火检测结果。
37、第三方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的烟火检测方法。
38、第四方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的烟火检测方法。
39、第五方面，本专利技术提供了一种计算机程序产品，包括计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的烟火检测方法。
40、本专利技术实施例提供了一种基于深度学习的烟火检测方法、装置、设备及存储介质，在烟火检测模型的颈部加入了第一检测模块，第一检测模块基于烟火检测模型的主干网络输出的浅层特征和原颈部网络输出的深层特征，实现微小烟火目标的高精度检测，避免微小烟火目标的漏检导致的人身、财产危害，例如避免微小烟火导致的火灾、避免吸烟带来的人身伤害。另外，本专利技术实施例还可以避免误检导致的人力资源浪费的问题。
本文档来自技高网...【技术保护点】
1.一种烟火检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述融合特征是通过以下方法得到：
3.根据权利要求2所述的方法，其特征在于，所述基于加权融合结果得到所述融合特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述烟火检测模型的主干网络增加了坐标注意力模块，所述坐标注意力模块通过X、Y轴两个空间方向生成坐标感知的注意力映射。
5.根据权利要求4所述的方法，其特征在于，所述坐标注意力模块的结果作为权重，对所述烟火检测模型的分类损失函数和回归损失函数进行加权。
6.根据权利要求1所述的方法，其特征在于，所述获取所述烟火检测模型输出的烟火检测结果之后，还包括：
7.根据权利要求6所述的方法，其特征在于，所述金字塔层数是通过如下方式得到：
8.根据权利要求6或7所述的方法，其特征在于，所述阈值参数是通过以下方式得到：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至8中任一
10.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令用于使计算机执行权利要求1至8中任一项所述的烟火检测方法。
...【技术特征摘要】
1.一种烟火检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述融合特征是通过以下方法得到：
3.根据权利要求2所述的方法，其特征在于，所述基于加权融合结果得到所述融合特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述烟火检测模型的主干网络增加了坐标注意力模块，所述坐标注意力模块通过x、y轴两个空间方向生成坐标感知的注意力映射。
5.根据权利要求4所述的方法，其特征在于，所述坐标注意力模块的结果作为权重，对所述烟火检测模型的分类损失函数和回归损失函数进行加权。
6.根据权...
【专利技术属性】
技术研发人员：葛鹤银，满志朋，薛莹，吴家新，王习，
申请(专利权)人：睿视苏州视频科技有限公司，
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。