[发明专利]基于轻量级神经网络的烟雾检测方法、系统、介质和设备

说明书

本申请涉及基于轻量级神经网络的烟雾检测方法、系统、介质和设备，涉及神经网络视觉检测技术领域，其中，方法包括获取烟雾图像并对烟雾图像进行预处理，得到数据集、测试样本集和训练样本集；建立轻量化神经烟雾检测模型，并利用所述训练样本集对烟雾检测模型进行训练，得到训练后的轻量化神经烟雾检测模型；利用训练后的轻量化神经烟雾检测模型对测试样本集进行分析，得到检测值，所述检测值包括烟雾类别和烟雾坐标信息。通过对烟雾检测模型中骨干网络、多尺度特征融合模块以及分类回归模块的改进，能够降低模型检测烟雾的运算量，使模型更加轻量化，同时提高检测烟雾的准确度和检测时效性。

技术领域

本发明涉及神经网络视觉检测技术领域，尤其涉及一种基于轻量级神经网络的烟雾检测方法、系统、介质和设备。

背景技术

随着全民用电量持续快速增长，电网建设不断扩展，电力作为高风险产业，也日益重视防火和安全技术的普及应用。为了保障输电线路的安全，催生具有时效性与可靠性的火灾预防办法的设计与改进。

火灾期间往往会伴随着烟雾、高温、火焰等特征的出现，火灾探测技术正是借助这些特征来作为火灾识别的参数，尽早地自动探测到火灾并发出警报，最大程度地挽救人民生命和财产。目前对于火灾过程中产生的烟雾、温度以及火焰的测量都分别有成熟的产品，如感温探测器、感烟探测器、火焰探测器等。火灾早期由于烟雾特征比火焰特征更明显，更容易被传感器所识别。根据火灾烟雾图像对火灾灾情进行检测，已经成为当前输电线路火灾检测的一个重要研究方向。如果在火灾发生前，能够进行火灾的烟雾检测，就能及时应对灾情，把输电线路的损失降到最小。因此，设计具有时效性与可靠性的烟雾检测器具有重大意义。随着卷积神经网络结构变得更深更宽，CNN显示出了它特别强大的功能。但是，扩展神经网络的体系结构通常会带来更多的计算，这使大多数人无法负担诸如目标检测之类的计算量繁重的任务。

通过检索，获得较为接近的现有技术如下：

授权公告号为CN109961042B的专利文件公开了一种结合深度卷积神经网络和视觉变化图的烟雾检测方法，先采用深度卷积神经网络初步检测疑似烟雾区域。在此基础上，以烟雾扩散的物理特性为依据，基于视频运动变化构建视觉变化图，再采用SVM分类器实现烟雾区域的二次判决，本发明的有益效果是降低了云、雾等与烟雾相似的目标引发的虚警现象，进一步提高了烟雾检测的可靠性。

申请公布号为CN110956611A的专利文件公开了一种集成卷积神经网络的烟雾检测方法，包括疑似烟雾获取模块、疑似烟雾确认模块和烟雾报警模块，疑似烟雾获取模块将实时获取的图像通过Faster R-CNN模型检测后，获取含有疑似烟雾的图像，疑似烟雾检测模块利用卷积神经网络对疑似烟雾图像的候选区进行检测，确定含有烟雾的图像，烟雾报警模块对疑似烟雾确认模块处理的结果进行应答，极大地降低了烟雾检测成本、提高识别效率和准确率，识别的灵活性高，没有额外的存储和计算开销，降低了系统的复杂性，高效且节能。

上述技术方案通过神经网络检测出烟雾，并提高烟雾的检测可靠性，但是如何在复杂多变的天气环境下和特定场景中对烟雾特征进行提取，是目前烟雾检测领域的主要挑战。此外，提高烟雾检测的时效性，及时预警以避免损失也是一大难题。

发明内容

为了提升烟雾检测模型的检测效果，本申请提供一种基于轻量级神经网络的烟雾检测方法、系统、介质和设备。

第一方面，本申请提供的基于轻量级神经网络的烟雾检测方法采用如下的技术方案：

一种基于轻量级神经网络的烟雾检测方法，包括：

获取烟雾图像并对烟雾图像进行预处理，得到数据集、测试样本集和训练样本集；

建立轻量化神经烟雾检测模型，并利用所述训练样本集对轻量化神经烟雾检测模型进行训练，得到训练后的轻量化神经烟雾检测模型；

利用训练后的轻量化神经烟雾检测模型对测试样本集进行分析，得到检测值，所述检测值包括烟雾类别和烟雾坐标信息。