[发明专利]烟火检测方法

说明书

本发明提供了烟火检测方法，首先建立烟火识别模型，包括图像收集，图像标注，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；训练一个图像分类模型，用于判断图片中是否含有烟雾或者火焰，并把图像分割模型的输出引入图像分类模型；从视频源获得视频流输入到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。本发明构建了一个高准确率、低误报率，并能提供像素级精度的烟火识别方法。

技术领域

本发明涉及计算机视觉领域，尤其是烟火检测方法。

背景技术

火灾是一种会严重威胁人类生命和财产安全的灾害，一旦发生，往往损失巨大。因此对于火灾的防治一直是人类社会的一个重要课题。而对于烟火的尽早发现，无疑能极大的减少火灾造成的损失。随着人类在人工智能，尤其是计算机视觉方面取得的进展，通过计算机对图像中的特定物体识别成为了可能。然而火焰和烟雾不同于一般的物体，其形状颜色等视觉特征会不断变化，这使得对烟火的识别比一般的物体识别要更加困难。

专利CN 109165575 A《一种基于SSD框架的烟火识别算法》公开了一种基于SSD的烟火识别算法。其特征在于，烟火识别算法中使用的检测模型由重新设计的模型网络训练得到，所述模型网络重构了经典的深度学习模型VGG16网络，所述模型网络在VGG16的基础上减少了一个全连接层，保留了两个全连接层，增加了6个卷积层和1个池化层。该专利使用了基于物体识别的网络对烟火进行检测，然而由于烟火形态的弥散性，很难用物体识别模式中的标注框对烟火进行标注。若要完整的框住烟火，则容易框入大量无关区域的图像，这会对模型的训练产生不利影响，导致识别率的降低。

专利CN 111814635 A《基于深度学习的烟火识别模型建立方法和烟火识别方法》公开了一种基于深度学习的烟火识别模型建立方法和烟火识别方法，该烟火识别模型建立方法利用生成式对抗网络(gan网络)对烟火图片和要检测区域的正常图片进行合成，之后通过yolov3(You Only Look Once v3)标注、训练、验证得出要建立的烟火识别模型。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，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。该专利认识到了前文所述的标注框难以框定烟火的问题，并尝试通过把一个大框分解成若干小框，以使得尽可能多的框住烟火本身，并将无关图像内容排除在框外。然而这么做会导致标注中出现大量相邻且在图像中没有明显边界的标注框，这同样会对模型的训练产生不利影响。

无论是专利CN 109165575 A或是专利CN 111814635 A，都没有跳出使用物体识别模型进行烟火检测的窠臼，并且都高度依赖物体识别模型的性能，一旦检测模型出现误识别(而这几乎不可能完全避免)，就会导致误报。因此需要有一种可靠方案解决现有技术识别率不够高，误报率不够低，适用场景窄等问题

发明内容

本发明的目的在于提供一种基于图像分割、分类和注意力机制的烟火识别方法，用于解决现有方法识别率不够高，误报率不够低，适用场景窄等问题。

为了实现这一目的，本发明提供了烟火检测方法，包括以下步骤：(1)建立烟火识别模型。烟火识别模型的建立包括图像收集，图像标注，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。训练一个图像分类模型，用于判断图片中是否含有烟雾或者火焰，并把图像分割模型的输出引入图像分类模型；从视频源获得视频流输入并依次把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。