[发明专利]火灾特征分辨模型的训练方法、系统及相关设备

说明书

本发明公开了一种火灾特征分辨模型的训练方法、系统及相关设备，包括：建立火焰样本数据集，部分图像具有火焰画面，部分图像具有假火焰画面；在图像中标注出具有火焰特征的第一目标区域，并从原图像中切割第一目标区域，切割下来的第一目标区域的图像构成正样本分类数据集；将火焰样本数据集输入训练好的第一火灾检测模型，第一火灾检测模型用于检测火焰样本数据集中的火焰特征，在假阳性输出结果的图像中标注出具有假火焰特征的第二目标区域，并从原图像中切割第二目标区域，切割下来的第二目标区域的图像构成负样本分类数据集；基于正样本分类数据集和负样本分类数据集训练第二火灾检测模型，将第二火灾检测模型作为火灾特征分辨模型。

技术领域

本发明属于火灾检测技术领域，具体地说，涉及一种火灾检测方法、电子设备及可读存储介质。

背景技术

最近卷积网络图像识别技术迅猛发展，yolov5、efficient-det、yolovx都在图像检测领域取得的技术指标新高。在基于图像的火焰检测领域，卷积网络技术也逐渐成为主流，但是传统的卷积网络仅能火势较大时准确检测，在小火焰识别上有大量误检测，导致在实际中应用价值不高。

目前的烟火检测逐渐的都是用深度学习技术。通常的做法都是直接将通用目标识别网络直接用于烟火识别。一般的实现过程分为数据收集和整理、模型训练、综合处理三个部分。数据收集和整理是指收集网络或者自己搭建环境收集烟火相关数据，并标记烟火相关位置。模型一般采用通用的目标检测算法例如yolv3、efficient-det,训练一般使用后向传播算法。综合处理时根据前后帧的关系综合判断是否发生火警。

直接将检测算法应用在小火焰识别由误检很多，因为小火焰在图像上占比较小，会有很多误测，例如人脸鼻梁、头戴安全帽上的光斑、衣服的特殊的花纹等。由固定物体引起的误检测很容易设置屏蔽区域过滤，但是由人员引起的误识别，无法用常用方法甄别。

有鉴于此，特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种火灾特征分辨模型的训练方法，通过训练火灾特征分辨模型，用于在初筛到火焰图片时进行复检，可降低火灾检测过程中的误识别率，保证火灾检测的效果。

本发明的另外一个目的是提供一种电子设备。

本发明的另外一个目的是提供一种可读存储介质。

为解决上述技术问题，本发明采用技术方案的基本构思是：

一种火灾特征分辨模型的训练方法，包括：

收集多张图像建立火焰样本数据集，部分所述多张图像中具有火焰画面，部分所述多张图像中具有假火焰画面；

在所述火焰样本数据集的图像中标注出具有火焰特征的第一目标区域，并从原图像中切割所述第一目标区域，切割下来的所述第一目标区域的图像构成正样本分类数据集；

将所述火焰样本数据集输入训练好的第一火灾检测模型，所述第一火灾检测模型用于检测所述火焰样本数据集中的所述火焰特征，在假阳性输出结果的图像中标注出具有假火焰特征的第二目标区域，并从原图像中切割所述第二目标区域，切割下来的所述第二目标区域的图像构成负样本分类数据集；

基于所述正样本分类数据集和所述负样本分类数据集训练第二火灾检测模型，将所述第二火灾检测模型作为火灾特征分辨模型。

在一些实施方式中，在所述火焰样本数据集的图像中标注出具有火焰特征的第一目标区域，包括：

在所述火焰样本数据集的第一数量的图像中标注出具有火焰特征的第一目标区域；

在假阳性输出结果的图像中标注出具有假火焰特征的第二目标区域，包括：

在假阳性输出结果中的置信度最高的第二数量的图像中标注出具有所述火焰特征的第二目标区域；