[发明专利]一种基于YOLOV3的烟火自动检测预警方法

说明书

本发明提供了一种基于YOLOV3的烟火自动检测预警方法，包括：S1、构建训练检测模型的样本集；S2、搭建基于YOLOV3的深度学习目标检测网络架构；S3、配置训练参数，训练检测模型；S4、获取待检测图像信息；从待检测现场的监控设备中，获取现场视频画面的图像帧，利用图像预处理方法对逐帧图像进行处理；S5、检测烟雾和火焰目标；将步骤S4中处理过的视频图像帧送入步骤S3中预先训练好的检测模型进行目标的检测，并输出检测结果；S6、对检测结果进行后处理；S7、连续分析多帧图像检测结果，确认目标有效并输出报警。本发明所述的基于YOLOV3的烟火自动检测预警方法可以实现秒级检测及报警，极大缩短火灾预警时间，及时通知及时救援，有效阻止火灾的蔓延。

技术领域

本发明属于视频监控技术领域，尤其是涉及一种基于YOLOV3的烟火自动检测预警方法。

背景技术

烟火(烟雾和火焰)检测是指在监控视频图像中进行烟火的识别和定位，在安防监控领域具有重要的意义。

火灾是非常常见且危害极大的灾害之一，常常会造成巨大的资源、财产损失并可能造成人员伤亡，因此对于深林、无人仓库、公共设施、易燃易爆品、某些重要区域等的烟火防控和预警成为重中之重，及时预警可以快速通知执勤人员并协助消防人员及时处理火灾危机，做到尽早预防和避免火灾事故的突发和蔓延，最大程度减少损失。其中对烟雾、火焰进行准确、快速的检测成为重中之重。

传统的检测方法主要是针对温度、透明度、烟雾等进行物理采样的传感器，但是传感器主要适用于近距离感应，容易受到场地等限制，并且易用性、检测准确率、可靠性等难以保证，安全人员不到现场查看难以及时判断现场具体情况。而基于视频的检测方法则可以通过远距离画面的传输，实现远程查看，因此得到了快速发展和应用。常用的视频检测方法，一般通过对视频图像进行运动区域提取，根据火焰区域的RGB或HSV通道分量的特征进行判别，这种方法对火焰的判别有一些效果，但是对烟雾却无法使用。也有采用对图像进行分块预测，利用不同大小的滑动窗口进行区域提取，然后送入各种CNN(卷积神经网络)进行分类，判断是否是火焰或烟雾，但是这种方法效率低、准确率也不够，并且对烟火的位置判断的也不够准确，因为滑动窗口是预先选好且大小和形状固定的，而烟雾火焰的形状是不固定的。

发明内容

有鉴于此，为克服上述缺陷，本发明旨在提出一种基于YOLOV3的烟火自动检测预警方法，

为达到上述目的，本发明的技术方案是这样实现的：

一种基于YOLOV3的烟火自动检测预警方法，包括：

S1、构建训练检测模型的样本集；首先搜集原始素材，对获取的原始素材利用图像数据增强技术进行处理，得到训练样本数据集；然后利用样本标注工具在训练样本数据集图片中标出检测目标的目标框并设定所属类别，将样本图片和生成的标注文件分别保存作为样本集；对所有的训练集样本中标注的目标框采用聚类算法进行聚类；

S2、搭建基于YOLOV3的深度学习目标检测网络架构；采用裁剪的Darknet-53卷积神经网络作为backbone对输入的图像进行特征提取，将神经网络生成的特征图输入到YOLOV3的检测模型；

S3、配置训练参数，训练检测模型；

S4、获取待检测图像信息；从待检测现场的监控设备中，获取现场视频画面的图像帧，利用图像预处理方法对逐帧图像进行处理；

S5、检测烟雾和火焰目标；将步骤S4中处理过的视频图像帧送入步骤S3中预先训练好的检测模型进行目标的检测，并输出检测结果；