[发明专利]基于深度学习的烟火识别模型建立方法和烟火识别方法

权利要求书

1.一种基于深度学习的烟火识别模型建立方法，其特征在于：包括以下步骤：

S01）、图像采集，采集的图像包括两类，一类为烟火图片，另一类为要检测区域的正常图片；

S02）、gan网络合成，采用gan网络合成技术对两类图片进行合成，生成以正常图片为背景的合成图片，用以增加实际应用场景中的数据集的样本数；

S03）、图像标注，图像标注过程中比较烟火在标注框占比是否超过1/2，如果是，则进入步骤S04，如果不是，则进入步骤S05；

S04）、直接进行烟火标注；

S05）、进行烟火重标注，将烟火部分进行分割，保证每部分中烟火的占比不低于标注框的1/2；

S06）、用yolov3目标检测框架对标注的训练集进行训练，训练集包括网络爬虫的烟火图像数据以及经过gan网络合成的数据；

S07）、yolov3目标检测框架训练出多个模型，在置信度0.5、iou为0.3时，经过验证集得出的准确率最高的模型就是所建立的烟火识别模型。

2.根据权利要求1所述的基于深度学习的烟火识别模型建立方法，其特征在于：步骤S01的烟火图片通过网络爬虫爬取或者视频中截取得到。

3.一种基于深度学习的烟火识别方法，其特征在于：本方法首先将权利要求1所得烟火识别模型导入检测系统运行，然后执行以下步骤：

S21）、开始正常的巡线，摄像头随云台进行巡线检测；

S22）、烟火识别模型检测巡线过程中的图像，当发现置信度大于阈值T1的目标时进行预警，并判断当前预警目标的个数；

S23）、记录下当前云台的位置和摄像头焦距，用于后续云台和摄像头回归初始位置；

S24）、由置信度最高的点开始预警检测；

S25）、将图像中的横坐标、纵坐标传入底层云台；

S26）、云台计算位置到达预警位置，并且摄像头变焦放大图像；

S27）、采集图像信息，烟火识别模型进行识别，如果目标置信度大于阈值T2进行报警，其中T1＜T2；

S28）、云台和摄像头归位到初始位置；

S29）、云台归位后采集当前图像进行检测，继续进行预警检测，对已经检测过的位置不再进行预警，如果预警置信度大于阈值T1，进入步骤S22，如果没有异常进入步骤S210；

S210）、根据云台记录的初始位置进行计算，跨过检测过的区域继续进行巡线的预警。

4.根据权利要求3所述的基于深度学习的烟火识别方法，其特征在于：T1=0.3，T2=0.8。