CN109785574A - 一种基于深度学习的火灾检测方法 - Google Patents

Abstract

本发明提供一种基于深度学习的火灾检测方法，本发明通过不同旋转摄像头采集检测现场的火焰图像，并通过labelmap软件对采集的火焰图像进行火焰标记，然后采用标记后的火焰图像对Faster‑rnn模型进行训练，对模型的参数进行微调，最后得到训练好的模型，然后将采集的图像输入训练好的模型，若概率大于80％，则为判定为火灾，并输出火灾的位置，并通过灭火设备对其进行灭火。本发明能够对监控区域进行实时监控，不需要人进行巡视，减少人力成本；并且在火灾发生时，能够在第一时间发出警报并调整的喷水枪对着火处进行集中灭火以减小损失，具有及时性和有效性优点。

Description

一种基于深度学习的火灾检测方法

技术领域

本发明涉及火灾检测技术领域，尤其是一种基于深度学习的火灾检测方法。

背景技术

火灾是全球每年最常发生也是破坏性极大的一种自然灾害，其严重威胁着人类的生命安全并给社会带来了巨大的财产损失。火灾发生的初期火焰较小，但是烟雾明显，如能在早期就对烟雾进行预警，则有助于抑制火灾发展，避免更大的损失，因此早期的烟雾预警对于大规模火灾防范具有极其重要的意义。

现有的或者检测普遍都是依赖于烟雾报警装置，通过检测火灾引起的烟雾达到警告的目的，灭火采用的是洒水的方式来减小火情。这种方式不能第一时间发出警告信息，特别是在大型仓库或者厂房等。另外，洒水方式可能会使得其他未着火设备损坏，造成不必要的损失。在火焰检测方面，现有的方法大多是通过运动检测结合类似火焰颜色区域检测方法。这种方法由于是提取火焰的单一特征，在复杂环境下有可能出现误报和漏报情况，可靠性较低。

发明内容

针对现有技术的不足，本发明提供一种基于深度学习的火灾检测方法，该方法基于深度学习，通过检测图像中的火焰以实现火灾的检测。

本发明的技术方案为：一种基于深度学习的火灾检测方法，包括以下步骤：

S1)、通过检测模块实时采集火焰图像作为训练集；

S2)、采用labelmap软件对训练集中的每张图像进行火焰标记；

S3)、构建卷积神经网络模型Faster-rnn；

S4)、将步骤S2)中的训练图像集输入Faster-rnn模型进行训练并对其参数进行微调，直至网络模型达到收敛状态，得到训练好的火灾检测模型；

S5)、将检测模块采集的火焰图像进行火焰标记后输入训练好的火灾检测模型中，若则检测现场出现火灾，其中，S_anchor为检测的火焰面积，S_ground为标记的火焰面积；

S6)、根据训练好的火灾检测模型计算火灾位置，根据以及在Y-Z平面的投影得到

其中，f为摄像头焦距，X₁、X₂为分别为两个摄像头的横坐标，y为两个摄像头观察同一目标时图像的距离差距，X为火焰的横向坐标，Y表示火焰纵向坐标，Z表示摄像头与画面之间的距离，B为两个摄像头之间的距离；

S7)将火灾位置发给相应的灭火设备，进行灭火。

进一步的，步骤S1)中，所述的检测模块为多个旋转双目摄像头。

进一步的，步骤S2)中，对训练图像进行火焰标记，具体为：使用labelmap软件读取5火焰图，再用矩形框将目标区域进行选取，得到目标的坐标信息并存储在xml文件中。

进一步的，步骤S3)中，构建卷积神经网络模型Faster-rnn包括依次连接的卷积层、ROI池化层、全局平均池化层、2个全连接层。

进一步的，步骤S7)中，所述的灭火设备为可旋转的喷水枪，所述的喷水枪的仰角为其中，Y、Z分别为火焰中心点的y轴和z轴坐标。

本发明的有益效果为：本发明能够对监控区域进行实时监控，不需要人进行巡视，减少人力成本；并且在火灾发生时，能够在第一时间发出警报并调整的喷水枪对着火处进行集中灭火以减小损失，具有及时性和有效性优点。

附图说明

图1为本发明的流程示意图；

图2为本发明构建的卷积神经网络模型Faster-rnn的结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

如图1所示，一种基于深度学习的火灾检测方法，包括以下步骤：

S1)、通过多个旋转双目摄像头实时采集火焰图像作为训练集；

S2)、采用labelmap软件对训练集中的每张图像进行火焰标记，使用labelmap软件读取5火焰图，再用矩形框将目标区域进行选取，得到目标的坐标信息并存储在xml文件中。；

S3)、构建卷积神经网络模型Faster-rnn，该模型依次连接的卷积层、ROI池化层、全局平均池化层、2个全连接层，其结构参见图2；

S4)、将步骤S2)中的训练图像集输入Faster-rnn模型进行训练并对其参数进行微调，直至网络模型达到收敛状态，得到训练好的火灾检测模型；

S5)、将检测模块采集的火焰图像进行火焰标记后输入训练好的火灾检测模型中，若则检测现场出现火灾，其中，S_anchor为检测的火焰面积，S_ground为标记的火焰面积；

S6)、根据训练好的火灾检测模型计算火灾位置，根据以及在Y-Z平面的投影得到

其中，f为摄像头焦距，X₁、X₂为分别为两个摄像头的横坐标，y为两个摄像头观察同一目标时图像的距离差距，X为火焰的横向坐标，Y表示火焰纵向坐标，Z表示摄像头与画面之间的距离，B为两个摄像头之间的距离。

S7)将火灾位置发给相应的灭火设备，进行灭火，其中，所述的灭火设备为可旋转的喷水枪，所述的喷水枪的仰角为其中，Y、Z分别为火焰中心点的y轴和z轴坐标。

上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种基于深度学习的火灾检测方法，其特征在于，包括以下步骤：

S1)、通过检测模块实时采集火焰图像作为训练集；

S2)、采用labelmap软件对训练集中的每张图像进行火焰标记；

S3)、构建卷积神经网络模型Faster-rnn；

S4)、将步骤S2)中的训练图像集输入Faster-rnn模型进行训练并对其参数进行微调，直至网络模型达到收敛状态，得到训练好的火灾检测模型；

S5)、将检测模块采集的火焰图像进行火焰标记后输入训练好的火灾检测模型中，若则检测现场出现火灾，其中，S_anchor为检测的火焰面积，S_ground为标记的火焰面积；

S6)、根据训练好的火灾检测模型计算火灾位置，根据以及在Y-Z平面的投影得到

其中，f为摄像头焦距，X₁、X₂为分别为两个摄像头的横坐标，y为两个摄像头观察同一目标时图像的距离差距，X为火焰的横向坐标，Y表示火焰纵向坐标，Z表示摄像头与画面之间的距离，B为两个摄像头之间的距离；

S7)将火灾位置发给相应的灭火设备，进行灭火。

2.根据权利要求1所述的一种基于深度学习的火灾检测方法，其特征在于：所述的检测模块为多个旋转双目摄像头。

3.根据权利要求1所述的一种基于深度学习的火灾检测方法，其特征在于：步骤S2)中，对训练图像进行火焰标记，具体为：使用labelmap软件读取5火焰图，再用矩形框将目标区域进行选取，得到目标的坐标信息并存储在xml文件中。

4.根据权利要求1所述的一种基于深度学习的火灾检测方法，其特征在于：步骤S3)中，构建卷积神经网络模型Faster-rnn包括依次连接的卷积层、ROI池化层、全局平均池化层、2个全连接层。

5.根据权利要求1所述的一种基于深度学习的火灾检测方法，其特征在于：步骤S7)中，所述的灭火设备为可旋转的喷水枪，所述的喷水枪的仰角为其中，Y、Z分别为火焰中心点的y轴和z轴坐标。