CN112115941B - 火灾检测方法、装置、设备及存储介质 - Google Patents

火灾检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112115941B
CN112115941B CN202010953768.6A CN202010953768A CN112115941B CN 112115941 B CN112115941 B CN 112115941B CN 202010953768 A CN202010953768 A CN 202010953768A CN 112115941 B CN112115941 B CN 112115941B
Authority
CN
China
Prior art keywords
fire
image
target image
target
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010953768.6A
Other languages
English (en)
Other versions
CN112115941A (zh
Inventor
张农
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ruian Technology Co Ltd
Original Assignee
Beijing Ruian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Ruian Technology Co Ltd filed Critical Beijing Ruian Technology Co Ltd
Priority to CN202010953768.6A priority Critical patent/CN112115941B/zh
Publication of CN112115941A publication Critical patent/CN112115941A/zh
Application granted granted Critical
Publication of CN112115941B publication Critical patent/CN112115941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种火灾检测方法、装置、设备及存储介质，包括：将待检测图像转换为预设分辨率的目标图像，其中，目标图像的分辨率小于待检测图像的分辨率，将目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果，其中，中间检测结果包括：目标图像中火灾的边界框信息，将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，并将待检测图像中火灾的边界框信息作为最终检测结果，输出最终检测结果。该火灾检测方法，检测精度较高，同时，检测效率也较高。

Description

火灾检测方法、装置、设备及存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及火灾检测方法、装置、设备及存储介质。
背景技术
当今社会，家庭火灾安全越来越受到重视。家庭内的着火点往往无法得到提前预防和提前重视。因此，如何实现家庭内的火灾检测非常重要。
目前，可以通过在家中设置烟雾传感器进行家庭内火灾的检测。
但是，烟雾传感器容易受到家庭环境中非火灾因素引起的烟雾的干扰，从而，导致火灾的误检测。因此，目前的火灾检测方法精度较低。
发明内容
本发明提供一种火灾检测方法、装置、设备及存储介质，以解决目前的火灾检测方法精度较低的技术问题。
第一方面，本发明实施例提供一种火灾检测方法，包括：
将待检测图像转换为预设分辨率的目标图像；其中，所述目标图像的分辨率小于所述待检测图像的分辨率；
将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果；其中，所述中间检测结果包括：所述目标图像中火灾的边界框信息；
将所述目标图像中火灾的边界框信息，转换为所述待检测图像中火灾的边界框信息，并将所述待检测图像中火灾的边界框信息作为最终检测结果；
输出所述最终检测结果。
第二方面，本发明实施例提供一种火灾检测装置，包括：
第一转换模块，用于将待检测图像转换为预设分辨率的目标图像；其中，所述目标图像的分辨率小于所述待检测图像的分辨率；
第一确定模块，用于将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果；其中，所述中间检测结果包括：所述目标图像中火灾的边界框信息；
第二转换模块，用于将所述目标图像中火灾的边界框信息，转换为所述待检测图像中火灾的边界框信息，并将所述待检测图像中火灾的边界框信息作为最终检测结果；
输出模块，用于输出所述最终检测结果。
第三方面，本发明实施例还提供了一种火灾检测设备，所述火灾检测设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的火灾检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的火灾检测方法。
本实施例提供一种火灾检测方法、装置、设备及存储介质，该方法包括：将待检测图像转换为预设分辨率的目标图像，其中，目标图像的分辨率小于待检测图像的分辨率，将目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果，其中，中间检测结果包括：目标图像中火灾的边界框信息，将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，并将待检测图像中火灾的边界框信息作为最终检测结果，输出最终检测结果。该火灾检测方法，一方面，可以基于目标火灾检测神经网络进行火灾检测，相较于设置烟雾传感器的方式，该检测方式可以基于大数据训练出的神经网络实现检测，检测精度较高；另一方面，该火灾检测方法中，可以将待检测图像转换为较低分辨率的目标图像输入目标火灾检测神经网络，提高了检测效率；再一方面，将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，实现了在待检测图像中显示火灾检测结果，提高了最终检测结果的可视化。
附图说明
图1为本发明提供的火灾检测方法实施例的流程示意图；
图2为本发明提供的火灾检测方法实施例中训练目标火灾检测神经网络的流程示意图；
图3为本发明提供的火灾检测方法实施例中对初始边界框信息对应的初始边界框进行扩边的示意图；
图4为本发明提供的火灾检测装置实施例的结构示意图；
图5为本发明提供的火灾检测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明提供的火灾检测方法实施例的流程示意图。本实施例适用于对环境中的火灾进行检测的场景中。本实施例可以由火灾检测装置来执行，该火灾检测装置可以由软件和/或硬件的方式实现，该火灾检测装置可以集成于火灾检测设备中。如图1所示，本实施例提供的火灾检测方法包括如下步骤：
步骤101：将待检测图像转换为预设分辨率的目标图像。
其中，目标图像的分辨率小于待检测图像的分辨率。
具体地，本实施例中的火灾检测设备可以为嵌入式设备。该火灾检测设备可以设置于家中、仓库及商场等需要进行火灾检测的环境中。
本实施例中的火灾检测设备可以包括图像采集装置。图像采集装置以预设的频率采集环境中的图像。为了描述方便，将采集到的该图像称为待检测图像。当图像采集装置采集到的图像以视频流的形式显示时，待检测图像可以为视频流中的每一帧图像。
为了便于后续通过目标火灾检测神经网络对该待检测图像进行检测，本实施例中，首先将待检测图像转换为预设分辨率的目标图像。本实施例中的预设分辨率为训练目标火灾检测神经网络的样本图像的分辨率。
将待检测图像转换为目标图像的过程可以为：将待检测图划分为多个子图像，用每个子图像中的像素点的像素值的平均值代替该子图像中所有像素点的像素值。这样就可以实现将待检测图像转换为目标图像。当然，还可以采用其他下采样方式进行转换。本实施例对此不作限制。
需要说明的是，本实施例中的目标图像的分辨率小于待检测图像的分辨率。进行分辨率转换的原因为目标火灾检测神经网络对低分辨率的图像的检测速度更高。
一种实现方式中，可以通过硬件提供的转码方式，将待检测图像转换为目标图像。这里的硬件可以为嵌入式设备中的硬件。采用硬件提供的转码方法进行图像转换，相较于采用软件算法转换的方式，效率较高。
可选地，本实施例中待检测图像的分辨率可以为：2592*1520分辨率的400万图像。目标图像的分辨率可以为：320*320。
本实施例中的目标图像及待检测图像的图像格式可以为YUV420sp格式。目标图像及待检测图像的保存结构可以为{data,width,height}。其中，width为图像划分的子图像的宽度，height为图像划分的子图像的高度。data为对应的子图像的明亮度以及色度。
步骤102：将目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果。
其中，中间检测结果包括：目标图像中火灾的边界框信息。
一种场景中，火灾检测设备中已经预置了目标火灾检测神经网络。
另一种场景中，火灾检测设备中没有预置该目标火灾检测神经网络。在该场景中，火灾检测设备可以从服务器中加载该目标火灾检测神经网络。这里的服务器指的是存储该目标火灾检测神经网络的服务器。这种实现方式，可以节省火灾检测设备的存储空间，不需要在火灾监测设备本地存储该目标火灾检测神经网络，降低了火灾检测设备的成本。
本实施例中的目标火灾检测神经网络可以为基于YOLOV3模型的神经网络。采用基于YOLOV3模型的神经网络较为稳定、检测效率较高并且精度较高。当然，本实施例中的目标火灾检测神经网络还可以为基于其他模型的神经网络，例如，单次多盒检测(Single ShotMultiBox Detector，SSD)模型。
以下对如何获取到该目标火灾检测神经网络的过程作一详细描述。
图2为本发明提供的火灾检测方法实施例中训练目标火灾检测神经网络的流程示意图。如图2所示，本实施例提供的训练目标火灾检测神经网络的过程包括如下步骤：
步骤201：获取样本图像以及对应的标定结果。
本实施例中的样本图像的分辨率为预设分辨率。这里的样本图像可以从互联网上爬去。在获取到样本图像之后，可以对每个样本图像中是否包括火灾，以及，在包括火灾时，火灾的位置进行标注。
步骤202：将样本图像输入火灾检测神经网络进行训练，得到输出结果。
将样本图像输入火灾检测神经网络进行训练，得到输出结果。这里的输出结果可以为火灾检测神经网络输入的样本图像中是否包括火灾，以及，在包括火灾时，火灾的位置。
步骤203：根据输出结果和对应的标定结果，对火灾检测神经网络进行反馈更新，直至训练结束。
可选地，可以根据输出结果和对应的标定结果确定损失参数。损失参数可以为数值、矢量或者矩阵。
可选地，当损失参数不满足预设的收敛条件，例如，损失参数大于预设阈值时，可以调整火灾检测神经网络的网络结构以及网络参数，对火灾检测神经网络进行更新，再返回执行将样本图像输入火灾检测神经网络进行训练，得到输出结果的步骤，直至损失参数满足收敛条件，将损失参数满足收敛条件时的火灾检测神经网络作为目标火灾检测神经网络。
在该火灾检测神经网络为基于YOLOV3模型的神经网络时，训练过程如下所示。修改YOLOV3程序中的输出与程序配置。同时制作类别(0其他类，1火灾)与生成程序能够读取的数据集文件。根据样本多个维度的检测结果与实际标注的结果之间的差异损失，对基础网络进行反向传播并且进行训练，由上至下进行参数更新。循环往复迭代多次，直到损失值达到预设要求，停止训练网络。同时保存网络参数，生成目标火灾检测神经网络。
基于步骤201至步骤203的训练过程，就可以得到目标火灾检测神经网络。该训练过程效率较高，并且，训练出的目标火灾检测神经网络的检测精度较高。
一种实现方式中，将目标图像输入预先训练好的目标火灾检测神经网络中，将目标火灾检测神经网络的输出结果，作为中间检测结果。
另一种实现方式中，将目标图像输入预先训练好的目标火灾检测神经网络中，得到目标火灾检测神经网络输出的初始检测结果。其中，初始检测结果包括：目标图像中是否包括火灾；在目标图像中包括火灾时，目标图像中火灾的初始边界框信息。在根据初始检测结果，确定目标图像中包括火灾时，根据目标图像中火灾的初始边界框信息，对初始边界框信息对应的初始边界框进行扩边，得到中间检测结果。
在该实现方式中，对该初始边界框信息对应的初始边界框进行扩边的目的是为了便于在后续检测结果的可视化时，便于用户观察到火灾位置，同时，也在一定程度上提高了检测精度。
在根据初始检测结果，确定目标图像中不包括火灾时，可以将该目标图像直接丢弃。
以下对如何扩边，进行详细介绍。
可选地，目标图像中火灾的初始边界框信息包括：x`，y`，width`以及height`。其中，x`表示目标图像中火灾的初始边界框中目标点的x轴坐标，y`表示目标图像中火灾的初始边界框中目标点的y轴坐标。width`表示目标图像中火灾的初始边界框的宽度，height`表示目标图像中火灾的初始边界框的高度。这里的初始边界框中目标点可以为该初始边界框的左上角的点。假设将目标图像的左上角的点作为坐标系的原点。
扩边的具体过程如下所示。
根据公式确定目标图像中火灾的边界框中目标点的x轴坐标x1。其中，α1为预设第一参数。
根据公式确定目标图像中火灾的边界框中目标点的y轴坐标y1。其中，α2为预设第二参数。
根据公式width1＝α1*width`，确定目标图像中火灾的边界框的宽度width1。
根据公式height1＝α2*height`，确定目标图像中火灾的边界框的高度height1。
这里的边界框中目标点可以为该边界框的左上角的点。
图3为本发明提供的火灾检测方法实施例中对初始边界框信息对应的初始边界框进行扩边的示意图。假设α1与α2均为2。如图3所示，点A为目标图像中火灾的初始边界框中目标点。点B为目标图像中火灾的边界框中目标点。目标图像中火灾的边界框的宽度为目标图像中火灾的初始边界框的宽度的两倍。目标图像中火灾的边界框的高度为目标图像中火灾的初始边界框的高度的两倍。点A的坐标值为(x`，y`)。点B的x轴坐标值与点A的x轴坐标值相差点B的y轴坐标值与点A的与y轴坐标值相差/>因此，可以得出点B的坐标值为/>
步骤103：将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，并将待检测图像中火灾的边界框信息作为最终检测结果。
具体地，在确定出中间检测结果之后，为了便于在待检测图像中显示火灾检测结果，需要将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息。并将该待检测图像中火灾的边界框信息作为最终检测结果。
基于待检测图像与目标图像的分辨率之间的对应关系，可以通过以下方式，将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息。
假设目标图像的分辨率为m*n，待检测图像的分辨率为r*s。其中，m小于或者等于r，n小于或者等于s。
根据公式确定待检测图像中火灾的边界框中目标点的x轴坐标x2。
根据公式确定待检测图像中火灾的边界框中目标点的y轴坐标y2。
根据公式确定待检测图像中火灾的边界框的宽度width2。
根据公式确定待检测图像中火灾的边界框的高度height2。
在目标图像的分辨率为320*320，待检测图像的分辨率为2592*1520的场景中，
上述将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息的方式，实现简单，效率较高。
步骤104：输出最终检测结果。
一实现方式中，本实施例中的火灾检测设备可以向显示设备输出该最终检测结果。显示设备可以显示该最终检测结果。这里的最终检测结果包括待检测图像中火灾的边界框信息。
可选地，这里的显示设备可以为显示屏，或者，用户的终端设备。
另一实现方式中，本实施例中的火灾检测设备可以向报警设备输出该最终检测结果。报警设备可以基于该最终检测结果，向用户发送报警信息。
本实施例提供的火灾检测方法，包括：将待检测图像转换为预设分辨率的目标图像，其中，目标图像的分辨率小于待检测图像的分辨率，将目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果，其中，中间检测结果包括：目标图像中火灾的边界框信息，将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，并将待检测图像中火灾的边界框信息作为最终检测结果，输出最终检测结果。该火灾检测方法，一方面，可以基于目标火灾检测神经网络进行火灾检测，相较于设置烟雾传感器的方式，该检测方式可以基于大数据训练出的神经网络实现检测，检测精度较高；另一方面，该火灾检测方法中，可以将待检测图像转换为较低分辨率的目标图像输入目标火灾检测神经网络，提高了检测效率；再一方面，将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，实现了在待检测图像中显示火灾检测结果，提高了最终检测结果的可视化。
图4为本发明提供的火灾检测装置实施例的结构示意图。如图4所示，本实施例提供的火灾检测装置包括如下模块：第一转换模块41、第一确定模块42、第二转换模块43以及输出模块44。
第一转换模块41，用于将待检测图像转换为预设分辨率的目标图像。
其中，目标图像的分辨率小于待检测图像的分辨率。
可选地，第一转换模块41具体用于：通过硬件提供的转码方式，将待检测图像转换为目标图像。
第一确定模块42，用于将目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果。
其中，中间检测结果包括：目标图像中火灾的边界框信息。
可选地，该装置还包括第二确定模块。第二确定模块具体用于：获取样本图像以及对应的标定结果；将样本图像输入火灾检测神经网络进行训练，得到输出结果；根据输出结果和对应的标定结果，对火灾检测神经网络进行反馈更新，直至训练结束。
一种实现方式中，第一确定模块42具体用于：确定子模块以及扩边子模块。
确定子模块，用于将目标图像输入预先训练好的目标火灾检测神经网络中，得到目标火灾检测神经网络输出的初始检测结果。其中，初始检测结果包括：目标图像中是否包括火灾；在目标图像中包括火灾时，目标图像中火灾的初始边界框信息。
扩边子模块，用于在根据初始检测结果，确定目标图像中包括火灾时，根据目标图像中火灾的初始边界框信息，对初始边界框信息对应的初始边界框进行扩边，得到中间检测结果。
更具体地，假设目标图像中火灾的初始边界框信息包括：x`，y`，width`以及height`。x`表示目标图像中火灾的初始边界框中目标点的x轴坐标，y`表示目标图像中火灾的初始边界框中目标点的y轴坐标。width`表示目标图像中火灾的初始边界框的宽度，height`表示目标图像中火灾的初始边界框的高度；
扩边子模块具体用于：
根据公式确定目标图像中火灾的边界框中目标点的x轴坐标x1；其中，α1为预设第一参数；
根据公式确定目标图像中火灾的边界框中目标点的y轴坐标y1；其中，α2为预设第二参数；
根据公式width1＝α1*width`，确定目标图像中火灾的边界框的宽度width1；
根据公式height1＝α2*height`，确定目标图像中火灾的边界框的高度height1。
第二转换模块43，用于将目标图像中火灾的边界框信息，转换为待检测图像中火灾的边界框信息，并将待检测图像中火灾的边界框信息作为最终检测结果。
具体地，假设目标图像的分辨率为m*n，待检测图像的分辨率为r*s。其中，m小于或者等于r，n小于或者等于s。
第二转换模块43具体用于：
根据公式确定待检测图像中火灾的边界框中目标点的x轴坐标x2；
根据公式确定待检测图像中火灾的边界框中目标点的y轴坐标y2；
根据公式确定待检测图像中火灾的边界框的宽度width2；
根据公式确定待检测图像中火灾的边界框的高度height2。
输出模块44，用于输出最终检测结果。
可选地，该装置还包括：加载模块，用于加载目标火灾检测神经网络。
本发明实施例所提供的火灾检测装置可执行本发明任意实施例所提供的火灾检测方法，具备执行方法相应的功能模块和有益效果。
图5为本发明提供的火灾检测设备的结构示意图。如图5所示，该火灾检测设备包括处理器50和存储器51。该火灾检测设备中处理器50的数量可以是一个或多个，图5中以一个处理器50为例；该火灾检测设备的处理器50和存储器51可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的火灾检测方法对应的程序指令以及模块(例如，火灾检测装置中的第一转换模块41、第一确定模块42、第二转换模块43以及输出模块44)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行火灾检测设备的各种功能应用以及数据处理，即实现上述的火灾检测方法。
存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据火灾检测设备的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至火灾检测设备。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种火灾检测方法，该方法包括：
将待检测图像转换为预设分辨率的目标图像；其中，所述目标图像的分辨率小于所述待检测图像的分辨率；
将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果；其中，所述中间检测结果包括：所述目标图像中火灾的边界框信息；
将所述目标图像中火灾的边界框信息，转换为所述待检测图像中火灾的边界框信息，并将所述待检测图像中火灾的边界框信息作为最终检测结果；
输出所述最终检测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的火灾检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台火灾检测设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述火灾检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种火灾检测方法，其特征在于，包括：
将待检测图像转换为预设分辨率的目标图像；其中，所述目标图像的分辨率小于所述待检测图像的分辨率；
将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果；其中，所述中间检测结果包括：所述目标图像中火灾的边界框信息；
将所述目标图像中火灾的边界框信息，转换为所述待检测图像中火灾的边界框信息，并将所述待检测图像中火灾的边界框信息作为最终检测结果；
输出所述最终检测结果；
其中，所述将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果，包括：将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到所述目标火灾检测神经网络输出的初始检测结果，其中，所述初始检测结果包括：所述目标图像中是否包括火灾，在所述目标图像中包括火灾时，所述目标图像中火灾的初始边界框信息；在根据所述初始检测结果，确定所述目标图像中包括火灾时，根据所述目标图像中火灾的初始边界框信息，对所述初始边界框信息对应的初始边界框进行扩边，得到所述中间检测结果；
所述目标图像中火灾的初始边界框信息包括：x`，y`，width`以及height`，x`表示所述目标图像中火灾的初始边界框中目标点的x轴坐标，y`表示所述目标图像中火灾的初始边界框中目标点的y轴坐标，width`表示所述目标图像中火灾的初始边界框的宽度，height`表示所述目标图像中火灾的初始边界框的高度；
所述根据所述目标图像中火灾的初始边界框信息，对所述初始边界框信息对应的初始边界框进行扩边，得到所述中间检测结果，包括：根据公式确定所述目标图像中火灾的边界框中目标点的x轴坐标x1，其中，α1为预设第一参数；根据公式确定所述目标图像中火灾的边界框中目标点的y轴坐标y1，其中，α2为预设第二参数；根据公式width1＝α1*width`，确定所述目标图像中火灾的边界框的宽度width1；根据公式height1＝α2*height`，确定所述目标图像中火灾的边界框的高度height1；
所述目标图像的分辨率为m*n，所述待检测图像的分辨率为r*s，其中，m小于或者等于r，n小于或者等于s；
所述将所述目标图像中火灾的边界框信息，转换为所述待检测图像中火灾的边界框信息，包括：根据公式确定所述待检测图像中火灾的边界框中目标点的x轴坐标x2；根据公式/>确定所述待检测图像中火灾的边界框中目标点的y轴坐标y2；根据公式/>确定所述待检测图像中火灾的边界框的宽度width2；根据公式确定所述待检测图像中火灾的边界框的高度height2。
2.根据权利要求1所述的方法，其特征在于，所述目标火灾检测神经网络的生成方式包括：
获取样本图像以及对应的标定结果；
将所述样本图像输入火灾检测神经网络进行训练，得到输出结果；
根据所述输出结果和对应的标定结果，对所述火灾检测神经网络进行反馈更新，直至训练结束。
3.根据权利要求1或2所述的方法，其特征在于，所述将待检测图像转换为预设分辨率的目标图像，包括：
通过硬件提供的转码方式，将所述待检测图像转换为所述目标图像。
4.根据权利要求1或2所述的方法，其特征在于，所述将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果之前，所述方法还包括：
加载所述目标火灾检测神经网络。
5.一种火灾检测装置，其特征在于，包括：
第一转换模块，用于将待检测图像转换为预设分辨率的目标图像；其中，所述目标图像的分辨率小于所述待检测图像的分辨率；
第一确定模块，用于将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到中间检测结果；其中，所述中间检测结果包括：所述目标图像中火灾的边界框信息；
第二转换模块，用于将所述目标图像中火灾的边界框信息，转换为所述待检测图像中火灾的边界框信息，并将所述待检测图像中火灾的边界框信息作为最终检测结果；
输出模块，用于输出所述最终检测结果；
其中，所述第一确定模块包括：确定子模块以及扩边子模块；所述确定子模块，用于将所述目标图像输入预先训练好的目标火灾检测神经网络中，得到所述目标火灾检测神经网络输出的初始检测结果，其中，所述初始检测结果包括：所述目标图像中是否包括火灾，在所述目标图像中包括火灾时，所述目标图像中火灾的初始边界框信息；所述扩边子模块，用于在根据所述初始检测结果，确定所述目标图像中包括火灾时，根据所述目标图像中火灾的初始边界框信息，对所述初始边界框信息对应的初始边界框进行扩边，得到所述中间检测结果；
所述目标图像中火灾的初始边界框信息包括：x`，y`，width`以及height`，x`表示所述目标图像中火灾的初始边界框中目标点的x轴坐标，y`表示所述目标图像中火灾的初始边界框中目标点的y轴坐标，width`表示所述目标图像中火灾的初始边界框的宽度，height`表示所述目标图像中火灾的初始边界框的高度；
所述扩边子模块具体用于：根据公式确定所述目标图像中火灾的边界框中目标点的x轴坐标x1，其中，α1为预设第一参数；根据公式确定所述目标图像中火灾的边界框中目标点的y轴坐标y1，其中，α2为预设第二参数；根据公式width1＝α1*width`，确定所述目标图像中火灾的边界框的宽度width1；根据公式height1＝α2*height`，确定所述目标图像中火灾的边界框的高度height1；
所述目标图像的分辨率为m*n，所述待检测图像的分辨率为r*s，其中，m小于或者等于r，n小于或者等于s；
所述第二转换模块具体用于：根据公式确定所述待检测图像中火灾的边界框中目标点的x轴坐标x2；根据公式/>确定所述待检测图像中火灾的边界框中目标点的y轴坐标y2；根据公式/>确定所述待检测图像中火灾的边界框的宽度width2；根据公式/>确定所述待检测图像中火灾的边界框的高度height2。
6.一种火灾检测设备，其特征在于，所述火灾检测设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4中任一所述的火灾检测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一所述的火灾检测方法。
CN202010953768.6A 2020-09-11 2020-09-11 火灾检测方法、装置、设备及存储介质 Active CN112115941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953768.6A CN112115941B (zh) 2020-09-11 2020-09-11 火灾检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953768.6A CN112115941B (zh) 2020-09-11 2020-09-11 火灾检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112115941A CN112115941A (zh) 2020-12-22
CN112115941B true CN112115941B (zh) 2023-12-05

Family

ID=73803023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953768.6A Active CN112115941B (zh) 2020-09-11 2020-09-11 火灾检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112115941B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428324A (zh) * 2018-04-28 2018-08-21 温州大学激光与光电智能制造研究院 一种基于卷积网络的火灾场景中烟雾的检测装置
CN108564065A (zh) * 2018-04-28 2018-09-21 广东电网有限责任公司 一种基于ssd的电缆隧道明火识别方法
CN108647601A (zh) * 2018-04-28 2018-10-12 温州大学激光与光电智能制造研究院 一种基于卷积网络的火灾场景中烟雾的检测方法
CN108664906A (zh) * 2018-04-27 2018-10-16 温州大学激光与光电智能制造研究院 一种基于卷积网络的火灾场景中内容的检测方法
CN109165538A (zh) * 2018-07-18 2019-01-08 北京飞搜科技有限公司 基于深度神经网络的条形码检测方法及装置
CN109712140A (zh) * 2019-01-02 2019-05-03 中楹青创科技有限公司 训练用于跑冒滴漏检测的全连接分类网络的方法及装置
CN110084166A (zh) * 2019-04-19 2019-08-02 山东大学 基于深度学习的变电站烟火智能识别监测方法
CN110969205A (zh) * 2019-11-29 2020-04-07 南京恩博科技有限公司 一种基于目标检测的森林烟火检测方法、存储介质和设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664906A (zh) * 2018-04-27 2018-10-16 温州大学激光与光电智能制造研究院 一种基于卷积网络的火灾场景中内容的检测方法
CN108428324A (zh) * 2018-04-28 2018-08-21 温州大学激光与光电智能制造研究院 一种基于卷积网络的火灾场景中烟雾的检测装置
CN108564065A (zh) * 2018-04-28 2018-09-21 广东电网有限责任公司 一种基于ssd的电缆隧道明火识别方法
CN108647601A (zh) * 2018-04-28 2018-10-12 温州大学激光与光电智能制造研究院 一种基于卷积网络的火灾场景中烟雾的检测方法
CN109165538A (zh) * 2018-07-18 2019-01-08 北京飞搜科技有限公司 基于深度神经网络的条形码检测方法及装置
CN109712140A (zh) * 2019-01-02 2019-05-03 中楹青创科技有限公司 训练用于跑冒滴漏检测的全连接分类网络的方法及装置
CN110084166A (zh) * 2019-04-19 2019-08-02 山东大学 基于深度学习的变电站烟火智能识别监测方法
CN110969205A (zh) * 2019-11-29 2020-04-07 南京恩博科技有限公司 一种基于目标检测的森林烟火检测方法、存储介质和设备

Also Published As

Publication number Publication date
CN112115941A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN108009543B (zh) 一种车牌识别方法及装置
JP2018022484A (ja) 画像内の物体を検出する方法及び物体検出システム
JP6688277B2 (ja) プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置
CN110163786B (zh) 一种去除水印的方法、装置及设备
CN108875531B (zh) 人脸检测方法、装置、系统及计算机存储介质
CN103914876A (zh) 用于在3d地图上显示视频的方法和设备
CN109783680B (zh) 图像推送方法、图像获取方法、装置及图像处理系统
CN109543534B (zh) 一种目标跟踪中目标丢失重检的方法及装置
CN108197596B (zh) 一种手势识别方法和装置
CN113222921A (zh) 一种图像处理方法及系统
CN111292335A (zh) 一种前景掩模特征图的确定方法、装置及电子设备
US20220012514A1 (en) Identification information assignment apparatus, identification information assignment method, and program
CN112115941B (zh) 火灾检测方法、装置、设备及存储介质
CN114924822B (zh) 三维拓扑结构的截图方法、装置、电子设备及存储介质
CN110827194A (zh) 图像处理的方法、装置及计算机存储介质
JP2020030730A (ja) 家屋異動判読システム、家屋異動判読方法、家屋異動判読プログラム及び滅失判読モデル
WO2021157213A1 (ja) 画像処理装置および画像処理方法
CN112101134B (zh) 物体的检测方法及装置、电子设备和存储介质
CN114550062A (zh) 图像中运动对象的确定方法、装置、电子设备和存储介质
CN111127310B (zh) 一种图像处理方法、装置、电子设备及存储介质
US9159118B2 (en) Image processing apparatus, image processing system, and non-transitory computer-readable medium
CN112507903A (zh) 假脸检测方法、装置、电子设备及计算机可读存储介质
JP5882883B2 (ja) テロップ検出装置、テロップ検出方法及びテロップ検出プログラム
CN111860323A (zh) 一种基于yolov3算法识别监控画面中初期火灾的方法
JP6538574B2 (ja) 認識装置、認識システム、認識方法及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant