[发明专利]一种基于深度学习的城市火灾报警方法

说明书

本发明公开了一种基于深度学习的城市火灾报警方法，用监控摄像头、云服务器、自动报警模块和监控中心相结合方式，先对深度学习网络进行火灾图像和非火灾图像的训练，然后通过监控摄像头将实时拍摄的图像传递给云服务器，云服务器通过深度学习网络对拍摄图像确定其是否为疑似火灾图像，如拍摄的图像确定为疑似火灾图像，云服务器控制自动报警模块进行预警提示，同时云服务器将疑似火灾图像传递给监控中心进行显示，此时消防人员只需对疑似火灾的图像进行判断，就可对火灾险情进行在线排查，确定发生火灾后能够及时出警。

技术领域

本发明涉及一种城市火灾报警方法，具体是一种基于深度学习的城市火灾报警方法。

背景技术

基于深度学习的目标检测是指将深度学习应用在计算机视觉中。与传统视觉目标检测只标记位置不同，基于深度学习的目标检测不仅要预测物体的位置，还要对物体分类。传统视觉检测算法目前仅在人脸和行人识别上的检测效果较好，但是其鲁棒性差，从而导致在阴暗或者复杂环境下对目标检测效果不佳。而基于深度学习的目标检测鲁棒性强，同时其能将定位以及分类问题结合起来，最终完成同时检测和分类多个目标。使用深度学习的目标检测会更加高效和可靠。

传统的城市火灾报警系统，一般由火灾探测器、区域报警器和集中报警器组成；也可以根据工程的要求同各种灭火设施和通讯装置联动，以形成中心控制系统。即由自动报警、自动灭火、安全疏散诱导、系统过程显示、消防档案管理等组成一个完整的消防控制系统。火灾探测器是探测火灾的仪器，由于在火灾发生的阶段，将伴随产生烟雾、高温和火光。这些烟、热和光可以通过探测器转变为电信号报警或使自动灭火系统启动，及时扑灭火灾。区域报警器能将所在楼层之探测器发出的信号转换为声光报警，同时还能监视若干楼层的集中报警器输出信号或控制自动灭火系统。

目前城市火灾报警系统大多数都设置在居室或者大型室内公共场所，其检测设备大多是烟雾报警器，这种报警器会常有误触发，如室内有人抽烟将误触发火灾报警系统。火灾报警后，将会有人员进行排查险情，不准确的报警将导致消防人员徒劳出警。另外如在室外发生火灾，室内的火灾探测器并不适用，由于室外发生火灾时，受到外界气流影响火灾产生的烟雾会在极短的时间内分散，从而导致火灾探测器无法获取烟雾信息，进而无法对室外发生的火灾进行预警；另外虽然可通过设置在城市中的各个监控摄像头观察各个区域的情况，但是人工无法同时对多个不同的区域进行实时监控，从而也无法对室外发生的火灾进行及时预警。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于深度学习的城市火灾报警方法，采用深度学习网络，通过监控摄像头拍摄图像，经过云服务器分析处理后仅将疑似火灾的图像通过监控中心显示，消防人员只需对疑似火灾的图像进行判断，就可对火灾险情进行在线排查，确定发生火灾后能够及时出警。

为了实现上述目的，本发明采用的技术方案是：一种基于深度学习的城市火灾报警方法，采用的报警系统包括监控摄像头、云服务器、自动报警模块和监控中心，监控摄像头与云服务器连接，云服务器分别与自动报警模块和监控中心连接，该方法的具体步骤为：

A、在云服务器中搭建深度学习网络；

B、拍摄或收集多种不同情况的火灾现场图，将获取的各个火灾现场图存储到云服务器中；

C、在云服务器内截取各个火灾现场图中的火焰图像作为深度学习网络的正样本训练集，并进行存储；将各个火灾现场图中其他亮点或高亮物体截取后作为深度学习网络的负样本训练集，并进行存储；

D、深度学习网络分别读入正样本训练集和负样本训练集，并为正样本训练集中的各个图像赋值为1，为负样本训练集中的各个图像赋值为0，进行训练后确定深度学习网络的分类网络模型；

E、监控摄像头实时拍摄的图像传递给云服务器，云服务器对拍摄的每帧图像先将RGB彩色图转换成灰度图，再把灰度图阈值分割后二值化，对二值化后的黑白图提取目标轮廓；