[发明专利]基于浅层引导深层特征融合的早期火灾检测方法

说明书

一种基于浅层引导深层特征融合的早期火灾检测方法，包括以下步骤：1、使用缩放和池化操作降低输入特征图的尺寸；2、采用SGD模块将赋予每个浅层特征通道不同权重，为后续深层通道特征融合提供引导；3、使用骨干网络对输入特征进行提取，并对深层特征中的通道进行融合；4、对于融合后的深层特征进行处理，进一步提取融合后的特征；5、采用检测头对输出特征进行处理，得到视频帧的早期火灾检测结果。本方法可以有效检测到早期火灾，具有延迟低，准确率高的特点。

技术领域

本发明涉及计算机视觉领域中火灾检测技术领域，提出了一种基于浅层引导深层特征融合的早期火灾检测方法。

背景技术

火灾是一种常见的灾害，不仅会造成巨大的损失，还会危及生命和财产安全。如果能在火灾初期检测到火灾发生，及时做出报警并采取灭火措施，将会大大减少火灾造成的损失。

传统的火灾探测方法主要包括温度感应、烟雾感应、气体感应等，通过探测环境的变化来判断是否发生火灾。然而，这种传统的火灾探测方法对环境的要求很高，在开放的环境中灵敏度明显降低，从点火到报警所需的时间也较长。当报警发生时，火势往往已经蔓延，难以控制。基于计算机视觉的早期火灾检测方法可以有效克服传统火灾探测方式对于环境的依赖性，吸引了越来越多的研究者的关注，其检测精度不断提高，检测时间也在逐渐缩短，但仍然无法较好的满足实际应用的需求。主要挑战在于：1)有些方法直接使用其他成熟的网络模型，没有针对单一类型火灾的检测进行调整和优化。2)有些方法忽略了不同阶段火焰的大小，针对大尺寸的火焰识别效果较好。而早期火灾的火焰尺寸较小，比发展阶段的火灾更难识别。3)有些方法没有平衡网络模型大小和识别精度之间的关系：一方面，为了追求更高的精度，设计了含有较多参数量的大型网络模型，造成巨大的时间消耗。另一方面，有些方法片面追求网络模型的轻量性，牺牲过多的检测精度。

诸如中国专利文献CN111341059A公开了一种基于深度分离和目标感知的早期野火烟雾检测方法和装置。将样本图像和目标图像分别输入目标感知深度网络得到第一深度特征矩阵和第二深度特征矩阵，分离特征矩阵进行卷积操作，获取烟雾响应矩阵的最大值，与阈值比较确定烟雾位置。

诸如中国专利文献CN115424116A公开了一种轻量级卷积神经网络的火灾检测方法，获取特高压换流变压器区域图像，输入到预先训练好的火灾识别网络模型得到火灾检测结果。

然而，这些技术文献均存在上述挑战，本申请研发团队致力于通过融合网络浅层和深层特征来解决现有技术中存在的这些问题。

发明内容

鉴于现有技术中存在的技术问题，本发明旨在提出一种轻量级的早期火灾检测方法——浅层引导深层特征融合早期火灾检测方法，根据早期火灾的特点，对现有模型进行了针对性的改进，融合了网络的浅层和深层特征，在缩小规模的同时保证了模型的精度，同时使用了多线程技术，有效地提高了算法的执行效率和稳定性。

具体而言，本发明的目的在于提供一种基于浅层引导深层特征融合的早期火灾检测方法，该方法包括以下步骤：

步骤A：使用缩放和池化操作降低输入特征图的尺寸；

步骤B：采用SGD模块将赋予每个浅层特征通道不同权重，为后续深层通道特征融合提供引导；

步骤C：使用骨干网络对输入特征进行提取，并对深层特征中的通道进行融合；

步骤D：对于融合后的深层特征进行处理，进一步提取融合后的特征；

步骤E：采用检测头对输出特征进行处理，得到视频帧的早期火灾检测结果。

进一步，其中步骤A具体包括如下步骤：

步骤A01：对输入图像进行自适应图像缩放，将输入图片统一为640×640大小；