[发明专利]一种野外火灾烟雾检测方法

说明书

本发明提出了一种野外火灾烟雾检测方法，现有技术中烟雾检测在不同环境下自身颜色、形状、透明度等特征不同，边缘模糊难以界定，导致较难提取烟雾的共性特征，且视频拍摄角度距离不一，导致烟雾图像尺度多变，尤其是较小的烟雾显著性更低，检测难度较大。本发明基于MD‑Cascade‑R CNN模型将特征金字塔融合方式从深至潜改为由浅至深融合，提高了小尺度烟雾的检测效果。同时，使用多支路空洞卷积下采样替代了普通的下采样以进一步增强模型对不同尺度烟雾的检测能力，并使用多IOU阈值级联检测器进一步提高了对边缘模糊烟雾的检测能力。

技术领域

本发明是基于MD-Cascade-R CNN神经网络的目标检测方法，旨在使用该技术解决野外烟雾检测中烟雾颜色形状多变且可能半透明、边缘模糊难以界定以及烟雾尺度多变等问题，提高野外烟雾的检测率。

背景技术

火灾是一种常见的、严重危及人类生产生活的自然灾害，尤其是野外火灾，而烟雾作为火灾发生时的一个显著特征，比火焰本身更容易被观察到，烟雾检测就成为了火灾防控领域和计算机视觉领域的重要研究课题。随着图像采集设备的广泛应用以及图像处理、计算机视觉以及人工智能技术的不断发展，越来越多学者开始研究基于视频图像的烟雾检测方法，以期及时发现火情并预警，提高火灾预防和监管水平。

早期，基于视频图像的烟雾检测方法通过人工分析烟雾特征，但烟雾颜色、纹理、形状、运动等特征多变，人工选取的特征未必能全面反映烟雾的本质特征，该过程不仅费时费力,而且还很难取得较好的效果。近年来，随着深度学习技术的不断发展，卷积神经网络出色的特征提取和分类能力使其在图像分类、语义分割、目标检测等计算机视觉任务上取得优秀成绩。

虽然基于深度学习技术的烟雾检测方法优于基于传统视觉技术的方法，但是由于烟雾检测在不同环境下自身颜色、形状、透明度等特征不同，边缘模糊难以界定，导致较难提取烟雾的共性特征，且视频拍摄角度距离不一，导致烟雾图像尺度多变，尤其是较小的烟雾显著性更低，检测难度较大。

发明内容

本发明针对现有技术的不足，提出了一种基于MD-Cascade-R CNN模型的野外火灾烟雾检测方法。

本发明提出的基于MD-Cascade-R CNN模型将特征金字塔融合方式从深至潜改为由浅至深融合，提高了小尺度烟雾的检测效果。同时，使用多支路空洞卷积下采样替代了普通的下采样以进一步增强模型对不同尺度烟雾的检测能力，并使用多IOU阈值级联检测器进一步提高了对边缘模糊烟雾的检测能力。

本发明方法具体包括以下步骤：

一种野外火灾烟雾检测方法，该方法具体包括以下步骤：

步骤1、采用由浅至深的特征金字塔对ResNet101特征提取网络提取到的不同层次的信息由浅至深进行融合，具体操作如下：

改进的特征金字塔网络从浅层开始向深层进行融合，在融合时首先需要对较浅一层网络输出的特征图进行下采样，使其分辨率与较深一层网络输出的特征图达成一致；同时对较深一层网络输出的特征图进行一次卷积核大小为1x1的卷积操作，以使得其通道数与较浅一层网络输出的特征图相等，以便进行后续的相加操作，具体过程表示如下:

其中，P_i是第i级融合特征图，F_i是第i级特征提取网络输出的原始特征图，pool表示下采样操作，dim代表利用1x1卷积进行的降维操作，n是特征提取网络的总层级；融合后保留每一层原有特征信息的同时，增强浅层特供的细节信息，有助于提高对小尺度烟雾的检测率，进而提高野外火灾烟雾检测的整体效果；

步骤2、在训练过程中，采用多IOU阈值级联检测器，每个IOU阈值检测器训练时阈值逐渐增大。

作为优选，所述的对较浅一层网络输出的特征图进行下采样，具体为：使用多支路空洞卷积下采样代替特征图融合过程中的下采样；具体操作如下：