【技术实现步骤摘要】
本申请涉及一般的图像数据处理或产生，尤其涉及一种火灾图像识别方法，还涉及一种系统。
技术介绍
1、火灾是日常容易发生的灾害之一，近年来我国火灾造成了严重的生命财产损失。因此通过对火灾图像的检测，可以对起火原因等进行推测，为火灾的调查提高重要依据，从而保障人们的生命财产安全。
2、传统的图像处理方法主要依赖于颜色模型和边缘检测算法，这些方法通过分析火焰、烟雾和金属的颜色特征和形状来进行检测。例如，使用hsv颜色空间可以分离出火焰的颜色，结合边缘检测算法(如canny、sobel)可以进一步确定物体的轮廓。但是传统图像处理方法过于依赖图像的颜色和形状特征，难以应对复杂背景下的火灾场景。这是由于火灾后的场景通常包含大量不规则的物体和复杂的光照条件，因此传统方法在处理这些复杂情况时，容易出现误检和漏检的问题。同时，还有多模态方法，在火灾场景中，单一的可见光图像往往无法提供足够的信息。结合红外成像和可见光图像的多模态方法，可以显著提高检测的准确性和鲁棒性。红外成像能够探测到隐藏在烟雾或黑暗中的物体，尤其是金属物体和其他残留物。虽然多模态方法可以提供更丰富的信息，但红外成像设备成本较高，且在实际应用中，如何高效融合多种模态信息仍然是一个挑战。多模态信息融合的复杂性增加了算法的设计难度，且红外成像数据的获取受环境条件的影响较大，如烟雾密度和温度。
技术实现思路
1、专利技术人通过研究发现：近年来，深度学习方法在图像内容检测方面取得了显著进展，特别是在火灾后场景的检测中，以下几种模型被
2、本申请的目的在于提供一种火灾图像识别方法及系统，通过将火场图像数据集以及交叉伪监督方法的结合，来解决现有技术无法提供在复杂场景下实现火灾图像快速处理的方法的技术问题。
3、据本申请的一个方面，提供一种火灾图像识别方法，包括：
4、获取火场目标图像，对火场目标图像执行预处理，生成火场图像数据集；
5、对语义分割网络模型u-net执行优化；
6、基于火场图像数据集和交叉伪监督方法，对优化后的u-net网络模型执行训练；
7、基于优化后的u-net网络模型，对火场执行火场图像识别。
8、在一些实施例中，所述火场目标图像至少包括情景图像和火灾图像，其中所述情景图像至少包括天气条件图像和光照条件的图像，所述火灾图像至少包括火灾现场图像、视频帧、模拟火灾生成图像。
9、在一些实施例中，所述的对火场图像执行预处理具体包括，至少对火场图像执行如下操作：归一化处理以及数据增强。
10、在一些实施例中，所述归一化处理包括：对火场图像颜色统一，对火场图像像素值统一相同范围，对火场图像调整为相同的分辨率，所述对火场图像调整为相同的分辨率采用双线性差值执行调整。
11、在一些实施例中，所述的数据增强包括：对火场图像执行几何变化，几何变化方式至少包括旋转、翻转、平移、缩放。
12、在一些实施例中，所述的对语义分割网络模型u-net执行优化，具体包括：
13、基于u-net网络模型结构，结合残差连接，生成resu-net模型；
14、基于u-net网络模型结构，结合transformer，生成swinu-net模型；
15、所述的resu-net模型以及swinu-net模型为优化后的u-net网络模型。
16、在一些实施例中，所述的基于火场图像数据集和交叉伪监督方法，对优化后的u-net网络模型执行训练，至少包括：
17、基于resu-net模型生成的伪标签，对swinu-net模型执行训练；
18、基于swinu-net模型生成的伪标签，对resu-net模型执行训练。
19、在一些实施例中，所述的基于resu-net生成的伪标签，对swinu-net模型执行训练，具体为：
20、resu-net模型基于swinu-net模型生成的伪标签数据集对无标签数据执行训练，更新其参数；其中，db为swinu-net模型的伪标签数据集，xi为第i个有标签图像，是swinu-net模型训练生成的伪标签；
21、swinu-net模型基于resu-net模型生成的伪标签数据集对无标签数据执行训练，更新其参数；其中，da为resu-net模型的伪标签数据集，xi为第i个有标签图像，是resu-net模型训练生成的伪标签。
22、在一些实施例中，所述的基于优化后的u-net网络模型，对火场执行火场图像识别，具体包括：
23、将未来火场图像输入优化后的u-net网络模型，通过优化后的u-net网模型络的编码器部分对火场图像执行特征提取；
24、通过优化后的u-net网络模型解码器执行特征融合以及上采样操作，其中，resu-net模型通过解码器将多层次的特征逐步融合并进行上采样，以恢复空间分辨率，生成预测识别结果；swinu-net模型通过解码器结合多尺度的全局特征信息，生成预测识别结果。
25、据本申请的另一个方面，一种火灾图像识别系统，包括：
26、获取模块，所述获取模块用于获取火场目标图像，对火场目标图像执行预处理，生成火场图像数据集；
27、优化模块，所述优化模块用于对语义分割网络模型u-net执行优化；
28、训练模块，所述训练模块用于基于火场图像数据集和交叉伪监督方法，对优化后的u-net网络模型执行训练；
29、识别模块，所述识别模块用于基于优化后的u-net网络模型，对火场执行火场图像识别。
30、本申请与现有技术相比，具有如下的优点和有益效果：
31、本申请基于优化后的u-net的网络模型提供了可以针对复杂火灾情况下的图像识别方法，克服现有技术中训练数据不足，模型识别效果不佳等问题；同时本申请的方法能够有效利用有限的标注数据，提高了火灾图像检测的工作效率，具有较强的通用性和扩展性。
本文档来自技高网...【技术保护点】
1.一种火灾图像识别方法，该方法由控制器执行，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述火场目标图像至少包括情景图像和火灾图像，其中所述情景图像至少包括天气条件图像和光照条件的图像，所述火灾图像至少包括火灾现场图像、视频帧、模拟火灾生成图像。
3.根据权利要求1所述的方法，其特征在于，所述的对火场图像执行预处理具体包括，至少对火场图像执行如下操作：归一化处理以及数据增强。
4.根据权利要求3所述的方法，其特征在于，所述归一化处理包括：对火场图像颜色统一，对火场图像像素值统一相同范围，对火场图像调整为相同的分辨率，所述对火场图像调整为相同的分辨率采用双线性差值执行调整。
5.根据权利要求3所述的方法，其特征在于，所述的数据增强包括：对火场图像执行几何变化，几何变化方式至少包括旋转、翻转、平移、缩放。
6.根据权利要求1所述的方法，其特征在于，所述的对语义分割网络模型U-Net执行优化，具体包括：
7.根据权利要求1所述的方法，其特征在于，所述的基于火场图像数据集和交叉伪监督方法，对优化后
8.根据权利要求7所述的方法，其特征在于，所述的基于ResU-Net生成的伪标签，对SwinU-Net模型执行训练，具体为：
9.根据权利要求1所述的方法，其特征在于，所述的基于优化后的U-Net网络模型，对火场执行火场图像识别，具体包括：
10.一种火灾图像识别系统，其特征在于，包括：
...【技术特征摘要】
1.一种火灾图像识别方法，该方法由控制器执行，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述火场目标图像至少包括情景图像和火灾图像，其中所述情景图像至少包括天气条件图像和光照条件的图像，所述火灾图像至少包括火灾现场图像、视频帧、模拟火灾生成图像。
3.根据权利要求1所述的方法，其特征在于，所述的对火场图像执行预处理具体包括，至少对火场图像执行如下操作：归一化处理以及数据增强。
4.根据权利要求3所述的方法，其特征在于，所述归一化处理包括：对火场图像颜色统一，对火场图像像素值统一相同范围，对火场图像调整为相同的分辨率，所述对火场图像调整为相同的分辨率采用双线性差值执行调整。
5.根据权利要求3所述的方法，其...
【专利技术属性】
技术研发人员：鄂大志，王思宇，夏大维，张明，
申请(专利权)人：应急管理部沈阳消防研究所，
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。