CN109035666A

CN109035666A - 一种火烟检测方法、装置及终端设备

Info

Publication number: CN109035666A
Application number: CN201810995677.1A
Authority: CN
Inventors: 曾杨
Original assignee: Shenzhen Clp Smart Security Polytron Technologies Inc
Current assignee: Shenzhen Clp Smart Security Polytron Technologies Inc
Priority date: 2018-08-29
Filing date: 2018-08-29
Publication date: 2018-12-18
Anticipated expiration: 2038-08-29
Also published as: CN109035666B

Abstract

本发明适用于消防监测技术领域，提供了一种火烟检测方法、装置及终端设备，其中，方法包括：获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据并将所述预处理火灾图像数据作为第一输入数据输入已训练网络；获取所述已训练网络的输出数据并将所述输出数据作为第二输入数据输入全连接层，以对所述全连接层的参数进行训练，然后将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型。本发明能够通过对图像数据的分析、判断，识别火或烟，通过深度迁移学习提高了对识别火烟的效率和准确率，节省了人力物力。

Description

一种火烟检测方法、装置及终端设备

技术领域

本发明属于消防监测技术领域，尤其涉及一种火烟检测方法、装置及终端设备。

背景技术

传统火烟识别方法一般采用对光声，温度等物理信号进行监测，这类依靠传感器监测烟火的方法对环境的依赖性比较强，当周边环境发生变化时，烟火识别精度会急剧下降甚至失效；并且，这类方法受限于距离，如需高效的监控、识别火烟，则需要安装大量的传感器，会导致大量的人力和物力浪费。

发明内容

有鉴于此，本发明实施例提供了一种火烟检测方法、装置及终端设备，以解决现有技术中火烟识别方法受限于距离，如需高效的监控、识别火烟，则需要安装大量的传感器，会导致大量的人力和物力浪费的问题。

本发明实施例的第一方面提供了一种火烟检测方法，包括：

获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据；

将所述预处理火灾图像数据作为第一输入数据输入已训练网络；

获取所述已训练网络的输出数据；

将所述输出数据作为第二输入数据输入全连接层，以对所述全连接层的参数进行训练；

将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型。

可选的，将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型之后，包括：

获取图像数据并对所述图像数据通过预设建模方法进行建模，以获取所述图像数据中的运动物体区域；

通过预设分析方法对所述运动物体区域进行颜色信息分析，以获取满足预设条件的候选区域图像块。

可选的，所述通过预设分析方法对所述运动物体区域进行颜色信息分析，以获取满足预设条件的候选区域图像块，包括：

将所述运动物体区域的图像由RGB空间根据第一预设公式转换至YIQ空间；

获取所述运动物体区域的图像中在所述YIQ空间中满足第二预设公式的像素点，并标记所述满足第二预设公式的像素点为候选烟雾像素点；

获取所述运动物体区域的图像中在所述RGB空间中满足第三预设公式的像素点，并标记所述满足第三预设公式的像素点为候选火像素点；

若所述候选烟雾像素点和所述候选火像素点满足第四预设公式，则判定所述运动物体区域为候选区域块。

可选的，将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型，包括：

将所述已训练网络的参数迁移至所述全连接层；

将所述已训练网络的参数与所述训练后的全连接层的参数进行对接，以获得火烟识别网络模型。

可选的，若所述候选烟雾像素点和所述候选火像素点满足第四预设公式，则判定所述运动物体区域为候选区域块之后，包括：

根据所述火烟识别网络模型识别所述候选区域图像块；

若在所述候选区域图像块中识别出火或烟，则生成报警信息，并发出警报。

本发明实施例的第二方面提供了一种火烟检测装置，包括：

第一获取模块，用于获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据；

第一输入模块，用于将所述预处理火灾图像数据作为第一输入数据输入已训练网络；

第二获取模块，用于获取所述已训练网络的输出数据；

第二输入模块，用于将所述输出数据作为第二输入数据输入全连接层，以对所述全连接层的参数进行训练；

迁移模块，用于将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型。

本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

本发明实施例通过获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据并将预处理火灾图像数据作为第一输入数据输入已训练网络，获取已训练网络的输出数据并将输出数据作为第二输入数据输入全连接层，以对全连接层的参数进行训练，然后将已训练网络的参数迁移至全连接层，以获得火烟识别网络模型，实现对图像数据的分析、判断，识别图像数据中的火或烟，通过深度迁移学习提高了对识别火烟的效率和准确率，节省了人力物力。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的火烟检测方法的流程示意图；

图2是本发明实施例一提供的火烟检测网络模型的迁移学习架构图；

图3是本发明实施例二提供的火烟检测方法的流程示意图；

图4是本发明实施例二提供的火烟检测流程示意图；

图5是本发明实施例三提供的火烟检测方法的流程示意图；

图6是本发明实施例四提供的火烟检测装置的结构示意图；

图7是本发明实施例五提供的火烟检测装置的结构示意图；

图8是本发明实施例六提供的分析模块的结构示意图；

图9是本发明实施例七提供的终端设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示，本实施例提供一种火烟检测方法，该方法可以应用于如视频监控终端等终端设备。本实施例所提供的火烟检测方法，包括：

S101、获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据。

在具体应用中，获取火灾图像训练数据，并通过预设处理方式对其进行预处理，以得到预处理火灾图像数据，其中，预设处理方式可以根据实际情况设定对火灾图像训练数据进行尺寸调整、随机翻转、剪切、旋转等操作，使得上述火灾图像训练数据能够满足已训练网络的图像数据要求，并且可以通过对火灾图像训练数据进行标注，以对火灾图像训练数据进行区分，提高对火烟识别网络模型训练的效率。

S102、将所述预处理火灾图像数据作为第一输入数据输入已训练网络。

在具体应用中，将预处理火灾图像数据作为第一输入数据输入已经训练好的已训练网络(在本实施例中，上述已训练网络包括通过ImageNet上已经训练好的Inception-v3网络)，以获取已训练网络的输出数据。需要说明的是，上述Inception-v3网络模型的架构体系从输入端开始，由3个卷积层连接1个池化层；再有2个卷积层，连接1个池化层，最后连接11个混合层(其中，混合层包括Dropout层，全连接层及Softmax层。上述Inception-v3网络模型包括近2500万个参数，在本实施例中，已训练模型是基于ImageNet图像库的数据进行训练的Inception-v3网络模型；其中，训练数据集包括120万张图像，使得已训练模型能够对1000种物体进行分类。)图2示例性的使出了Inception-v3网络模型的迁移学习架构，如图2所示，Inception-v3网络模型由卷积层、池化层及Softmax分类器组成。火烟识别网络模型可通过迁移已经过预训练的Inception-v3网络模型中的卷积层和池化层的参数，并通过火烟图像数据训练Softmax回归层获得。

S103、获取所述已训练网络的输出数据。

在具体应用中，获取已训练好的网络的输出数据(即获取通过ImageNet上已经训练好的Inception-v3网络的卷积层和池化层的输出数据)，获得2048维的特征向量。

S104、将所述输出数据作为第二输入数据输入全连接层，以对所述全连接层的参数进行训练。

在具体应用中，将上述获得的输出数据作为第二输入数据输入全连接层，以对全连接层的进行训练，获取全连接层的参数。需要说明的是，上述输出数据即为上述步骤S103获得2048维的特征向量。

S105、将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型。

在具体应用中，将已训练网络的参数迁移至全连接层(在本实施例中，设定将通过ImageNet上已经训练好的Inception-v3网络的卷积层和池化层的参数迁移，与全连接层获得的参数进行对接)以获得能够进行火烟识别的网络模型，对输入至火烟识别网络模型的图像数据进行分析判断，识别图像数据中是否有火或烟。

在一个实施例中，步骤S105，包括：

S1051、将所述已训练网络的参数迁移至所述全连接层；

S1052、将所述已训练网络的参数与所述训练后的全连接层的参数进行对接，以获得火烟识别网络模型。

在具体应用中，将已训练网络的参数迁移至全连接层，将已训练网络的参数与全连接层获得的参数进行对接，以获取能够进行火烟识别的网络模型。在本实施例中，已训练网络的参数设定为通过ImageNet上已经训练好的Inception-v3网络的卷积层和池化层的参数。

本实施例通过获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据并将预处理火灾图像数据作为第一输入数据输入已训练网络，获取已训练网络的输出数据并将输出数据作为第二输入数据输入全连接层，以对全连接层的参数进行训练，然后将已训练网络的参数迁移至全连接层，以获得火烟识别网络模型，实现对图像数据的分析、判断，识别图像数据中的火或烟，通过深度迁移学习提高了对识别火烟的效率和准确率，节省了人力物力。

实施例二

如图3所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤S105之后，包括：

S106、获取图像数据并对所述图像数据通过预设建模方法进行建模，以获取所述图像数据中的运动物体区域。

在具体应用中，获取周边环境的图像数据，并配置图像待监控区域，同时对获取到的图像数据通过预设建模方法进行建模，以获取图像数据中的运动物体区域，从而对图像数据进行火烟识别。需要说明的是，可以根据实际情况设定通过多种方式获取周边环境的图像数据，在本实施例中，设定通过网络摄像头进行图像数据的获取。其中，预设建模方法包括但不限于高斯背景建模。在本实施例中，图4示例性的示出了设定通过网络摄像头进行图像数据的获取，并通过高斯背景建模的火烟检测流程。

S107、通过预设分析方法对所述运动物体区域进行颜色信息分析，以获取满足预设条件的候选区域图像块。

在具体应用中，通过预先设定的分析方法对运动物体区域进行颜色信息分析，以对运动物体区域中的像素进行预区分，获取满足预设条件的候选区域图像块。

在一个实施例中，步骤S107之后，包括：

S108、根据所述火烟识别网络模型识别所述候选区域图像块；

S109、若在所述候选区域图像块中识别出火或烟，则生成报警信息，并发出警报。

在具体应用中，根据火烟识别网络模型识别满足预设条件的候选区域图像块，若在候选区域图像块中识别出火或烟，则当前候选区域图像块所在的周边环境有发生火灾危险的可能，应立即生成报警信息，并发出警报。需要说明的是，可通过网络通讯将上述报警信息发送至与当前终端设备连接的用户终端、消防控制中心或其他终端设备上，以对当前候选区域图像块所在的周边环境的火灾进行及时的预防或者控制，避免因火灾扩大造成的人员伤亡或损失。

本实施例通过对获取到的图像数据进行处理，获取满足条件的候选区域图像块，并对候选区域图像块进行分析识别，若识别出火或烟即生成报警信息并发出警报，能够通过图像数据判断周边环境是否发生火灾，并发出警报，提高了对火灾预警的效率，并且避免了因火灾扩大造成的损失。

实施例三

如图5所示，本实施例是对实施例二中的方法步骤S107的进一步说明。在本实施例中，步骤S107，包括：

S1071、将所述运动物体区域的图像由RGB空间根据第一预设公式转换至YIQ空间。

在具体应用中，将上述运动物体区域的图像由RGB空间根据第一预设公式，转换到YIQ空间，获取上述运动物体区域的图像的YIQ值。其中，第一预设公式为：

S1072、获取所述运动物体区域的图像中在所述YIQ空间中满足第二预设公式的像素点，并标记所述满足第二预设公式的像素点为候选烟雾像素点。

在具体应用中，判断上述运动物体区域的图像中的任一像素点在YIQ空间中是否满足第二预设公式，获取满足第二预设公式的像素点并标记为候选烟雾像素点。其中，第二预设公式为：

i+q<0.625；

|i-q|<0.025；

S1073、获取所述运动物体区域的图像中在所述RGB空间中满足第三预设公式的像素点，并标记所述满足第三预设公式的像素点为候选火像素点。

在具体应用中，判断上述运动物体区域的图像中的任一像素点在RGB空间中是否满足第三预设公式，获取满足第三预设公式的像素点并标记为候选火像素点，能够在后续火烟识别过程中，对上述候选烟雾像素点或候选火像素点进行优先或重点的识别、判断，提升火烟识别效率。其中，第三预设公式为：

S1074、若所述候选烟雾像素点和所述候选火像素点满足第四预设公式，则判定所述运动物体区域为候选区域块。

在具体应用中，若上述候选烟雾像素点和候选火像素点满足第四预设公式，则判定该运动物体区域可能存在火或烟区域块，将其判定为候选区域块，并通过火烟识别网络模型对候选区域块进行火烟识别。其中，第四预设公式包括：

其中，η＝0.1；num1和num2分别表示候选烟雾像素点和候选火像素点在所述运动物体区域中的数量，num表示所述运动物体区域的像素点总和。

本实施例通过对图像数据进行空间转换，获取满足第四预设公式的运动物体区域块并进行标记，能够有效为后续的火烟识别奠定基础，提高火焰识别的准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例四

如图6所示，本实施例提供一种火烟检测装置100，用于执行实施例一中的方法步骤。本实施例提供的火烟检测装置100，包括：

第一获取模块101，用于获取火灾图像训练数据并进行预处理，以得到预处理火灾图像数据；

第一输入模块102，用于将所述预处理火灾图像数据作为第一输入数据输入已训练网络；

第二获取模块103，用于获取所述已训练网络的输出数据；

第二输入模块104，用于将所述输出数据作为第二输入数据输入全连接层，以对所述全连接层的参数进行训练；

迁移模块105，用于将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型。

在一个实施例中，所述迁移模块105，包括：

迁移单元1051，用于将所述已训练网络的参数迁移至所述全连接层；

对接单元1052，用于将所述已训练网络的参数与所述训练后的全连接层的参数进行对接，以获得火烟识别网络模型。

实施例五

如图7所示，在本实施例中，实施例四中的火烟检测装置100，还包括用于执行实施例二中方法步骤的以下结构：

第三获取模块106，用于获取图像数据并对所述图像数据通过预设建模方法进行建模，以获取所述图像数据中的运动物体区域；

分析模块107，用于通过预设分析方法对所述运动物体区域进行颜色信息分析，以获取满足预设条件的候选区域图像块。

在一个实施例中，所述火烟检测装置100，还包括：

识别模块108，用于根据所述火烟识别网络模型识别所述候选区域图像块；

警报模块109，用于若在所述候选区域图像块中识别出火或烟，则生成报警信息，并发出警报。

实施例六

如图8所示，在本实施例中，实施例五中的分析模块107，还包括用于执行实施例三中方法步骤的以下结构:

转换单元1071，用于将所述运动物体区域的图像由RGB空间根据第一预设公式转换至YIQ空间；

第一获取单元1072，用于获取所述运动物体区域的图像中在所述YIQ空间中满足第二预设公式的像素点，并标记所述满足第二预设公式的像素点为候选烟雾像素点；

第二获取单元1073，用于获取所述运动物体区域的图像中在所述RGB空间中满足第三预设公式的像素点，并标记所述满足第三预设公式的像素点为候选火像素点；

判定单元1074，用于若所述候选烟雾像素点和所述候选火像素点满足第四预设公式，则判定所述运动物体区域为候选区域块。

实施例七

图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如火烟检测程序。所述处理器90执行所述计算机程序92时实现上述各个火烟检测方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块101至105的功能。

示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成第一获取模块、第一输入模块、第二获取模块、第二输入模块和迁移模块，各模块具体功能如下：

第二获取模块，用于获取所述已训练网络的输出数据；

所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种火烟检测方法，其特征在于，包括：

获取所述已训练网络的输出数据；

2.如权利要求1所述的火烟检测方法，其特征在于，将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型之后，包括：

3.如权利要求2所述的火烟检测方法，其特征在于，所述通过预设分析方法对所述运动物体区域进行颜色信息分析，以获取满足预设条件的候选区域图像块，包括：

4.如权利要求3所述的火烟检测方法，其特征在于，若所述候选烟雾像素点和所述候选火像素点满足第四预设公式，则判定所述运动物体区域为候选区域块之后，包括：

根据所述火烟识别网络模型识别所述候选区域图像块；

5.如权利要求1所述的火烟检测方法，其特征在于，将所述已训练网络的参数迁移至所述全连接层，以获得火烟识别网络模型，包括：

将所述已训练网络的参数迁移至所述全连接层；

6.一种火烟检测装置，其特征在于，包括：

第二获取模块，用于获取所述已训练网络的输出数据；

7.如权利要求6所述的火烟检测装置，其特征在于，所述装置，还包括：

第三获取模块，用于获取图像数据并对所述图像数据通过预设建模方法进行建模，以获取所述图像数据中的运动物体区域；

分析模块，用于通过预设分析方法对所述运动物体区域进行颜色信息分析，以获取满足预设条件的候选区域图像块。

8.如权利要求7所述的火烟检测装置，其特征在于，所述分析模块，包括：

转换单元，用于将所述运动物体区域的图像由RGB空间根据第一预设公式转换至YIQ空间；

第一获取单元，用于获取所述运动物体区域的图像中在所述YIQ空间中满足第二预设公式的像素点，并标记所述满足第二预设公式的像素点为候选烟雾像素点；

第二获取单元，用于获取所述运动物体区域的图像中在所述RGB空间中满足第三预设公式的像素点，并标记所述满足第三预设公式的像素点为候选火像素点；

判定单元，用于若所述候选烟雾像素点和所述候选火像素点满足第四预设公式，则判定所述运动物体区域为候选区域块。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。