[发明专利]一种基于深度卷积神经网络的森林火灾消防方法及系统

权利要求书

1.一种基于深度卷积神经网络的森林火灾消防系统，包括行走装置(1)及设置在所述行走装置(1)上的机体(2)，所述机体(2)上设置有云台(3)，所述云台(3)上设置有消防装置(4)，其特征在于，还包括：

定位装置，用于获取所述机体(2)的位置信息；

图像采集装置，用于采集多张多方位的环境图像；

中央控制器，所述行走装置(1)、云台(3)、消防装置(4)、定位装置均与所述中央控制器电性连接；

所述中央控制器内设置有烟雾及火焰识别装置，与图像采集装置电性连接，用于对所述图像采集装置采集的环境图像进行处理，并识别所述环境图像中的烟雾图像及火焰图像，检测所述机体(2)的周围是否发生火灾；所述烟雾及火焰识别装置识别环境图像中存在烟雾图像或火焰图像时，所述中央控制器控制所述行走装置(1)、云台(3)及消防装置(4)配合进行消防工作；

所述定位装置、图像采集装置、烟雾及火焰识别装置及中央控制器均设置在所述机体(2)上。

2.根据权利要求1所述的一种基于深度卷积神经网络的森林火灾消防系统，其特征在于：所述图像采集装置包括四个图像传感器(5)，四个所述图像传感器(5)分别安装在所述机体(2)的四周。

3.根据权利要求1所述的一种基于深度卷积神经网络的森林火灾消防系统，其特征在于：所述烟雾及火焰识别装置包括

训练模块，用于使用多张所述环境图像对卷积神经网络进行训练，获得Tiny-YOLOv3模型；

目标检测模型，用于识别所述环境图像中的烟雾图像及火焰图像；

图像预处理模块，用于对所述环境图像进行直方图均衡化处理和对数变换处理，获得处理后的环境图像，并将处理后的所述环境图像发送至训练模块及目标检测模型。

4.根据权利要求3所述的一种基于深度卷积神经网络的森林火灾消防系统，其特征在于：所述Tiny-YOLOv3模型使用二元交叉熵损失函数进行类别预测，

其中，N是训练图片的总数量；yi取值为0或1，yi取值为1表示第i张输入的图片包含垃圾的图像，yi取值为0则表示第i张输入的图片不包含垃圾的图像；pi值为对第i张输入的图片是否包含垃圾的图像的预测的概率，pi值在0至1之间。

5.根据权利要求3-4任意一项所述的一种基于深度卷积神经网络的森林火灾消防系统，其特征在于：所述所述深度卷积神经网络模型包括DarkNet框架，所述DarkNet框架包括53个卷积层及22个Residual层，所述DarkNet框架中的53个卷积层用于对草地的环境图像进行特征提取，所述DarkNet框架中的22个Residual层用于解决深度卷积神经网络模型中的梯度弥散或梯度爆炸。

6.根据权利要求3-4任意一项所述的一种基于深度卷积神经网络的森林火灾消防系统，其特征在于：所述训练模块包括labelImage工具。

7.根据权利要求3-4任意一项所述的一种基于深度卷积神经网络的森林火灾消防系统，其特征在于：所述训练模块采用随机梯度下降法优化Tiny-YOLOv3模型。

8.一种基于深度卷积神经网络的森林火灾消防方法，其特征在于，应用于权利要求1-7任意一项所述的一种基于深度卷积神经网络的森林火灾消防系统，包括以下步骤，

S1：使用多张环境图像对卷积神经网络进行训练，获得Tiny-YOLOv3模型，执行S2；

S2：以机体(2)的初始位置为原点建立环境栅格地图，执行S3；

S3：获取当前栅格的多张多方位的环境图像，执行S4；

S4：识别所述环境图像中是否有烟雾图像及火焰图像，若是，获得该环境图像中的烟雾图像或火焰图像的具体位置及其边框，执行S5，若不是，执行S6；

S5：控制云台(3)及消防装置(4)进行消防工作，执行S3；

S6：检测机体(2)的四周是否存在障碍物，并按照行走规则及内螺旋算法控制行走装置(1)带动机器人移动至下一栅格内，执行S3。