[发明专利]基于伪3D卷积神经网络的烟雾检测方法及系统

说明书

本发明公开了基于伪3D卷积神经网络的烟雾检测方法及系统，对烟雾视频帧标注，分为烟雾区域和非烟雾区域，形成训练集和测试集；利用训练集对伪3D卷积神经网络模型进行训练；利用训练好的伪3D卷积神经网络模型，在编码器阶段，使用伪3D残差块提取烟雾的时空特征，解码器连续对编码器的下采样功能进行上采样，通过二值图像标签对输出的烟雾预测图进行监督，最后通过特征图融合获得最终的预测。将伪3D卷积神经网络与深监督结合起来，通过结合烟雾的时空特征以及局部和全局线索来提高最终预测的可靠性，避免了手工设计特征检测烟雾的低效率和不稳定的缺陷，提供了快速可靠的烟雾检测识别结果。

技术领域

本公开属于火灾检测领域，尤其涉及基于伪3D卷积神经网络的烟雾检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

全国全年共发生森林火灾2345起，受害森林面积约1.35万公顷，发生草原火灾45起，受害草原面积约6.67万公顷。野火是一种不受控制的紧急情况，具有破坏性后果，通常发生在可燃植被区域。一年内全球平均发生20多万起野火。大面积的森林和其他植物资源，其生长周期很长，都被烧毁了。无数的野生动物甚至失去了家园。土壤侵蚀，水质下降和空气污染都是野火的副作用。

发明人发现，早期准确的火灾探测对于尽量减少上述损害至关重要。由于廉价，简单和高精度，基于点的传感器已被广泛使用。但是当它们足够接近火时它们能很好地工作。近年来，放置在了望塔上的视频监控摄像机被广泛用于监视可燃植被覆盖的区域。尽管他们在某种程度上扮演了角色，但人们几乎不可能始终关注每个屏幕。为了以更少的人更快地发现火灾，已经广泛提出了基于图像和视频的烟雾探测。在不可预测的自然环境下，例如照明，雾，雾，云等，烟雾探测变得更加困难。此外，如果烟雾和摄像机之间的距离很长，烟雾的移动速度比实际上要慢。在许多烟雾检测中使用运动检测作为获得烟雾的候选区域的预处理方法。有三种常用方法：时间差分，背景减法和光流。时间差分很简单，没有背景建模。但是可能会不能完整地检测到移动物体以及出现双影。背景减法建立背景模型以近似背景。然后比较当前帧和背景模型。但更新背景模型需要花费很多时间。以上两种方法都需要固定摄像机。相反，光流可以适合固定相机或移动背景。但是时间和计算成本都高于上述两种方法。鉴于上述情况，更多地使用背景减法。视觉，时间，空间特征和频率是大多数研究中考虑的烟雾的主要特征。许多色彩空间已被用于分析烟和火的颜色特征，如YUV，HSI，HSV，Lab和YCbCr。此外，使用隐马尔可夫模型(HMM)，小波变换，分形曲线，高斯混合模型(GMM)和人工神经网络来获得更准确的烟区。但是它们都不能分别达到理想的效果，通常几种方法一起使用。随着卷积神经网络(CNN)在检测，识别和分割任务上的发展，一些卷积神经网络已用于火灾和烟雾检测,如Faster R-CNN,Single Shot Multi Box Detector(SSD),Region-based Fully Convolutional Networks(R-FCN)、RNN等。但大多数只在图像而不是视频序列上检测到烟雾。

发明人还发现，自然场景中的烟雾检测是一件十分具有挑战的工作。它的挑战主要在于野外环境复杂，天气变幻莫测，这都给烟雾检测带来困难，目前野外烟雾检测主要还是依赖人工，耗时耗力切实大量重复性工作，目前的一些烟雾检测系统大多基于传统方法，基于手工设计特征，效果很差，不能在检测准确率和误检率之间做出很好的平衡。目前基于单幅图像的语义分割已经取得了较大进展，但是当处理图像序列时，单幅图像的语义分割会忽略掉连续多帧图像的短期连续性和一致性的信息，无法学习视频的时域信息，一定程度上会影响运动物体分割的准确性。

发明内容

为克服上述现有技术的不足，本公开提供了基于伪3D卷积神经网络的烟雾检测方法，得到快速可靠的烟雾检测识别结果。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

基于伪3D卷积神经网络的烟雾检测方法，包括：