[发明专利]烟雾检测方法、烟雾检测系统及计算机装置

说明书

本发明提出了一种烟雾检测方法、烟雾检测系统、计算机装置和计算机可读存储介质，其中烟雾检测方法包括：获取烟雾、烟囱的图片数据集，并对图片数据集添加位置标签和类别标签；将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练，得到多个训练后的CNN模型，并在进行训练的同时计算损失函数；根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测，以得到烟雾检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱，可以在实时视频中及时的检测出烟雾，不仅能够提升烟雾检测的准确率，还能够提升烟雾的检测速度。

技术领域

本发明涉及目标检测技术领域，具体而言，涉及一种烟雾检测方法、烟雾检测系统、计算机装置和计算机可读存储介质。

背景技术

随着视频检测方法的不断产生，视频检测效果也成为关注焦点。近年来，视频检测已经有很多技术，例如可以通过Faster R-CNN(FasterRegion-based ConvolutionalNeural Networks，快速卷积神经网络)和SSD(Single Shot MultiboxDetector，单个深层神经网络)模型在视频检测中进行图像识别。然而，现有的Faster R-CNN模型和SSD模型在视频检测的过程中仍存在一定的缺陷，都存在精度低、计算代价高和耗时长等问题。

目前，烟雾检测属于计算机视觉领域中特定目标的检测识别问题，现有技术中实际使用中的烟雾检测算法主要包括：基于颜色信息的烟雾检测、基于运动信息的烟雾检测和基于小波分析的烟雾检测。但是，利用颜色信息进行烟雾检测容易受相似颜色目标的干扰，利用运动监控区域的成像条件等都对烟雾的准确检测结果有很大影响，利用小波分析方法往往只针对特定形态的烟雾，难以满足一些特定场合的应用需求。

因此，有必要找到一种新的视频检测技术，能够在大数据量的视频数据中实时检测到烟雾已经成为亟待解决的技术问题。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个方面在于提出了一种烟雾检测方法。

本发明的另一个方面在于提出了一种烟雾检测系统。

本发明的再一个方面在于提出了一种计算机装置。

本发明的又一个方面在于提出了一种计算机可读存储介质。

有鉴于此，根据本发明的一个方面，提出了一种烟雾检测方法，包括：获取烟雾、烟囱的图片数据集，并对图片数据集添加位置标签和类别标签；将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练，得到多个训练后的CNN模型，并在进行训练的同时计算损失函数；根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测，以得到烟雾检测结果。

本发明提供的烟雾检测方法，首先获取烟雾和烟囱的图片，将图片中烟雾和烟囱所在的位置以矩形框的形式进行标注，即添加位置标签，再对添加位置标签后的烟雾和烟囱的图片添加类别标签，进一步地，将添加位置标签和类别标签的烟雾和烟囱的图片进行处理后作为训练样本集输入到CNN(Convolutional Neural Networks，卷积神经网络)模型中，经过多次迭代训练后得到多个训练后的CNN模型，进一步地，通过损失函数在多个训练后的CNN模型中选出训练效果最佳的CNN模型，即最优CNN模型，通过最优CNN模型对实时视频进行烟雾检测，并给出当前实时视频中是否存在烟雾的检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱，可以在实时视频中及时的检测出烟雾，不仅能够提升烟雾检测的准确率，还能够提升烟雾的检测速度。

另外，CNN模型采用Inception-Resnet-V2(预训练卷积神经网络)模型训练效果更好，损失函数采用softmax(归一化)函数选取的最优CNN模型实现烟雾检测精度更高。