[发明专利]烟火检测方法

权利要求书

1.烟火检测方法，包括以下步骤：

(1)建立烟火识别模型，包括收集图像，标注图像，用标注的图像训练初始的基础图像分割模型，并根据需要进行迭代；

训练图像分类模型，用于判断图片中是否含有烟雾或者火焰，并把分割模型的输出引入分类模型；

(2)从视频源获得视频流输入；

(3)把从视频源获得的视频流中的图片输入所述烟火识别模型，并保留最近复数帧的图片；如果烟火识别模型输出结果为没有烟火，则直接输出结果；如果烟火识别模型输出结果为有烟火，则根据最近复数帧图片灰度变化情况判断是否发生模型误报；若为误报，则调整为无烟火，反之则发出烟火警报。

2.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中使用的图像包括包含火焰或烟雾的场景以及不包含火焰或烟雾的场景。

3.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中使用的图像形式包括图片和视频。

4.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中使用的图像的采集手段包括从网络下载以及自己搭建环境进行采集。

5.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中图像标注方式是像素级的图像分割标注。

6.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中图像标注方式是以对单张图片的标注为主，辅以少量从视频中截取的图片帧。

7.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中初始的基础图像分割模型的训练方法是从收集到的每个视频中标注几十张图片，对于每个不同场景的视频，使用标注的图片对初始的基础图像分割模型进行细粒度调节；接着使用得到的新模型对视频进行预测，并挑选出正确的预测结果进行标注；把得到的新标注和原来的标注制作成新的训练用数据集，并使用组合后的数据集训练出性能更加强大的图像分割模型；该步骤可以根据需要进行迭代。

8.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中把图像分割模型的输出引入分类模型是通过注意力机制引入的。

9.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型建立过程中图像分类模型是利用组合后的训练用数据集进行训练的。

10.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型的图像分割模型为全景特征金字塔网络。

11.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型的图像分类模型为34层残差神经网络。

12.如权利要求1所述的烟火检测方法，其特征在于所述的模型误报是根据图像分割模型输出的烟火区域内连续帧所有像素的灰度变化之和与像素数量的算数平方根之比小于阈值(n-1)*0.45来判断，其中n为用于计算连续帧灰度差的帧数。所述的帧数n一般取n＝3，即当前帧以及前后各一帧共三帧，此时阈值为(3-1)*0.45＝0.9。该阈值可根据实验进行调整。

13.如权利要求1所述的烟火检测方法，其特征在于无论最终是否发出警报，都将对应的图片保存下来用于快速了解烟火发生时现场的情况，并将保存的图片重新标注，进一步提高模型性能。

14.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型的图像分割模型为全卷积神经网络。

15.如权利要求1所述的烟火检测方法，其特征在于所述的烟火识别模型的图像分割模型为语义分割网络。