[发明专利]一种基于紫外、深度神经网络的综合火焰检测方法

权利要求书

1.一种基于紫外、深度神经网络的综合火焰检测方法，其特征在于，包括火焰检测系统，该火焰检测系统包括紫外探测器、相机、控制器和报警装置；

紫外探测器的数据输出端与控制器的第一数据输入端相连，控制器的触发端与相机的触发端相连，相机的数据输出端与控制器的第二数据输入端相连，控制器的报警输出端与报警装置的报警输入端相连；

控制器根据紫外探测器采集的数据，判断其是否符合触发条件，若符合则控制器触发相机采集数据，控制器根据相机采集的数据判断其环境状况，并通过报警装置报警；

该火焰检测方法，包括如下步骤：

S1，在所需检测火焰的环境下，获取多种成像方式的图像数据，其中包括存在火焰的样本图像以及无火情的样本图像；

S2，基于Yolo_v4对火焰图像数据集进行处理并训练模型，构建用于识别火焰的深度神经网络模型；模型的训练包括以下步骤：

S2-1，对获取的火焰图像数据进行预处理，对有无火焰的图像进行分类，并标注出存在火焰图像中火源的位置，得到带有火源标记的火焰图像，再将图像数据集分为训练集和测试集两部分；

S2-2，对Yolo_v4的超参数进行预设，再将训练集输入神经网络进行分类训练；

S2-3，迭代训练后，当训练的最终结果满足阈值时，保留神经网络的权重文件；

S2-4，若训练结果不满足阈值条件，则使用增加数据集或/和重新设定超参数的方式再重新训练，直到训练结果满足阈值；

S2-5，将测试集输入S2-3中训练完成神经网络模型，计算神经网络模型对测试集的检测精度，若满足设定值则表明训练成功，若不满足则改变参数重新迭代训练；

进一步的，在模型的训练过程中还包括以下步骤：

a)对Yolo_v4神经网络训练的学习率、迭代次数等超参数进行预设，再将训练集输入神经网络进行分类训练；

b)根据公式计算迭代训练后的损失值Loss、精确率Precision、召回率Recall、F1、AP和mAp值，并设定Loss和mAp的阈值，当训练的最终结果满足阈值时，保留神经网络的权重文件；

其中T₁指的是正确识别出火焰的图像个数；F₁指的是错误识别火焰的图像个数；F₂指的是未识别出的火焰图像个数，mAp表示对每一个类别都计算出AP然后再计算AP平均值；

c)若训练结果不满足阈值条件，则使用增加数据集、重新设定超参数等方式再重新训练，直到训练结果满足阈值；

S3，通过紫外探测器对监测环境下的火焰辐射中处于日盲区波段的紫外光谱进行实时检测，当环境中出现火焰时，控制器将触发相机对环境情况进行抓拍，获得当前环境图像数据；具体包括以下步骤：

S3-1，通过紫外探测器对环境下的火焰辐射中处于日盲区波段的紫外光谱进行检测，每隔30ms通过紫外传感器测取一次环境中的紫外光谱，并设置计数器记录环境异常检测次数；

S3-2，当检测到环境中的紫外信号未达到设定阈值时，环境正常，紫外探测器回传第一数据，清空计数器；

S3-3，当检测到环境中的紫外信号达到设定阈值时，开始计数，当计数次数达到设定值时，紫外探测器回传第二数据，并启动相机进行抓拍；

S4，通过深度神经网络模型对图像数据中的火焰情况进行识别，对紫外探测器检测到可能出现的火灾进行进一步的确认，并输出火焰的面积以及火源位置，并通过前后帧火焰面积对比计算出火焰的蔓延速度，发出警报；发出的警报包括：

若蔓延速度Rate大于或者等于预设第一蔓延速度阈值，则报警装置发出三级报警信息；

若蔓延速度Rate大于或者等于预设第二蔓延速度阈值，预设第二蔓延速度阈值大于预设第一蔓延速度阈值，则报警装置发出二级报警信息；

若蔓延速度Rate大于或者等于预设第三蔓延速度阈值，预设第三蔓延速度阈值大于预设第二蔓延速度阈值，则报警装置发出一级报警信息；

该一级报警信息为声光报警；二级报警信息为光亮报警；三级报警信息为声响报警。

2.根据权利要求1所述的基于紫外、深度神经网络的综合火焰检测方法，其特征在于，所述S4包括：

S4-1，当紫外探测器触发相机抓拍到当前环境的火焰图像数据后，将图像送入特征提取网络，输出三种尺度的特征图；

S4-2，将特征图输入目标检测层，在三种尺度的特征图上检测火源位置；

S4-3，若检测到图像中确实存在火情，网络会输出火焰的预测边界框，包括火焰预测边界框的左上角点在图像中的位置或/和边界框的长宽信息，当连续十张图像都检测到火焰信息时，确定发生火灾，向报警装置输出报警信息；

S4-4，通过神经网络输出的火焰预测边界框信息，可以计算出图像中火焰面积大小，再比较输入神经网络的上一帧图像中的火焰面积大小，计算得出火焰的蔓延速度；

其中，Area是指图像中火焰面积总大小，N指的是图像中存在火源的个数，L、W指的是每一个火源的火焰预测边界框的长和宽，Rate指的是火焰的蔓延速度，下标k指的是输入神经网络的当前帧图像，k-1指的是输入神经网络的上一帧图像。