[发明专利]一种基于深度学习的城市火灾报警方法

摘要

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。

主权项

1.一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，其特征在于，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；F、根据提取的目标轮廓形状，在中心点不变的前提下，使目标轮廓的宽和高增加一倍，将扩大后的区域坐标记录，并在对应的RGB彩色图中将该区域提取出来，交给完成训练的深度学习网络进行处理；G、深度学习网络对每帧图像与正样本训练集和负样本训练集进行比对并赋值，每帧图像的所有被提取的区域分别得到一个值α，并有0≤α≤1；α的值越靠近1，说明该区域为火灾现场的可能性越大；α的值越靠近0，说明该区域为火灾现场的可能性越小；H、设定阈值b，云服务器将每帧图像的α值与阈值b比较，当α≥b时，则确定该图像为疑似火灾区域图片，云服务器控制自动报警模块进行预警，同时将检测到疑似火灾区域图片通过云服务器传递给监控中心进行显示，消防人员通过观察图像进一步确认后确定后续处理措施。