[发明专利]火焰检测方法、火焰检测模型训练方法、存储介质及系统

说明书

本发明涉及一种火焰检测方法，该方法包括以下步骤：步骤S1：获取包含火焰的图像；步骤S2：提供第一卷积神经网络，并将获取的图像输入所述第一卷积神经网络中以提取第一特征，并结合第一特征计算热力图；步骤S3：根据热力图计算获得火焰区域热力掩模图，并基于火焰区域热力掩模图获得疑似火焰区域；步骤S4：提供一第二卷积神经网络，并从疑似火焰区域中提取第二特征；及步骤S5：将第一特征与第二特征进行连接，获得总输出特征，并基于总输出特征预测是否存在火焰、火焰占整张图的比例及火焰旺度。本发明还提供一种存储介质。本发明还提供一种火焰检测模型训练方法。本发明还提供一种火焰检测模型训练系统。

【技术领域】

本发明涉及计算机视觉领域，尤其涉及一种火焰检 测方法、火焰检测模型训练方法、存储介质及系统。

【背景技术】

早期的计算机视觉检测火灾的方法是用人工提取的 特征，如图像通道、火焰边缘、火焰物理特征等进行判断， 但这些方案都抗干扰性不强，容易出现漏报、误报，对图 像背景、质量要求很高。

随着深度学习的使用，人们开始利用深度学习目标检 测的方法开始对火灾图像进行检测，大多为通过卷积神经 网络(CNN，Convolutional Neural Networks)学习火焰的图像特征，进而当监控图像中出现与卷积神经网络学习 到的火焰图像特征时，即为检测出监控的场景存在火焰， 但是在实际场景中，不同场景下的火焰其形态、颜色、大 小都存在很大差异，因此现有的卷积神经网络在不同场景 下进行火焰检测时，很容易存在漏检、误检的情况。

【发明内容】

为克服现有技术存在的问题，本发明提供一种火焰检 测方法、火焰检测模型训练方法、存储介质及系统。

本发明解决技术问题的方案是提供一种火焰检测方 法，该方法包括以下步骤：步骤S1：获取包含火焰的图像； 步骤S2：提供第一卷积神经网络，并将获取的图像输入所 述第一卷积神经网络中以提取第一特征，并结合第一特征 计算热力图；步骤S3：根据热力图计算获得火焰区域热力 掩模图，并基于火焰区域热力掩模图获得疑似火焰区域； 步骤S4：提供一第二卷积神经网络，并从疑似火焰区域中 提取第二特征；及步骤S5：将第一特征与第二特征进行连 接，获得总输出特征，并基于总输出特征预测是否存在火 焰、火焰占整张图的比例及火焰旺度。

优选地，步骤S2提供第一卷积神经网络，并将获取的 图像输入所述第一卷积神经网络中以提取第一特征，并结 合第一特征计算热力图，进一步包括以下步骤：步骤S21： 通过所述第一卷积神经网络中至少两个卷积层提取图像 中的第一特征；步骤S22：结合所述第一卷积神经网络中 不同的通道对第一特征进行分类；步骤S23：通过Grad-CAM 的方法对第一特征进行导向的反向梯度计算；及步骤S24： 计算第一特征的加权之和获得热力图；其中，第一特征包 括火焰特征和背景特征，所述不同的通道对所述火焰特征 和所述背景特征进行分类。

优选地，步骤S23通过Grad-CAM的方法对第一特征进 行导向的反向梯度计算的计算公式为：其中， 为加权权重，C为第一特征的类别，K为通道，Z为第一 特征的像素个数，y^c是对应类别c的分数，A为第一特征， 表示第k个第一特征中(i,j)位置处的像素值；步骤 S24计算第一特征的加权和获得热力图的计算公式为：其中，为热力图，ReLU为线 性整流函数，为加权权重，C为第一特征的类别，K为通 道，A为第一特征。

优选地，步骤S3根据热力图计算获得火焰区域热力掩 模图，并基于火焰区域热力掩模图获得疑似火焰区域，进 一步包括以下步骤：步骤S31：在热力图中将像素值大于 设定值的区域设置为1，小于设定值的区域设定为0，以获 得火焰区域热力掩模图；及步骤S32：提取火焰区域热力 掩模图中像素值为1的区域，获得疑似火焰区域。

优选地，步骤S4提供一第二卷积神经网络，并从疑似 火焰区域中提取第二特征之前，对疑似火焰区域进行预处 理，以增强疑似火焰区域的图像数据。