CN111476086A - 烟火识别方法、装置、计算机设备和可读存储介质 - Google Patents
烟火识别方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111476086A CN111476086A CN202010136038.7A CN202010136038A CN111476086A CN 111476086 A CN111476086 A CN 111476086A CN 202010136038 A CN202010136038 A CN 202010136038A CN 111476086 A CN111476086 A CN 111476086A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- firework
- deep learning
- image data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请涉及一种烟火识别方法、装置、计算机设备和可读存储介质。通过获取待识别图像数据;构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型;根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型。将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。本申请提供的烟火识别方法能够准确的检测到火灾情况。
Description
技术领域
本申请涉及森林防火技术领域,特别是涉及一种烟火识别方法、装置、计算机设备和可读存储介质。
背景技术
森林火灾一直是森林建设和保护的最大危害,我国属于森林资源相对贫乏的国家,森林保护是国家战略。目前,对森林资源破坏最大的主要为自然灾害和森林火灾,其中,森林火灾是森林保护中防范的重点。森林火灾不仅危及人民群众生命财产安全,而且威胁到社会稳定。
为了能够在早期发现可能的林火隐患,传统的森林防火手段除了增派大量的护林员和地方群众进行巡逻外,还建立森林防火监控预警系统,使用烟雾传感器等探测器来检测火灾情况。
然而,这些传统的森林防火手段无法准确快速的检测到火灾情况。
发明内容
基于此,有必要针对上述技术问题,提供一种烟火识别方法、装置、计算机设备和可读存储介质。
一方面,本申请实施例提供了一种烟火识别方法,所述方法包括:
获取待识别图像数据;
构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的;
根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型;
将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
在其中一个实施例中,所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,包括:
将所述烟火识别模型导入所述深度学习优化模型,得到初始深度学习优化模型;
利用模型解析器对所述烟火识别模型进行解析,获取权值参数;
将所述权值参数输入所述初始深度学习优化模型,得到所述目标深度学习优化模型。
在其中一个实施例中,所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,包括:
将所述待识别图像数据输入所述目标烟火识别模型,得到目标预测框信息;
对所述目标预测框信息进行非极大值抑制,得到烟火识别信息。
在其中一个实施例中,所述方法还包括:
判断是否存在流图,其中,所述流图是对所述目标烟火识别模型序列化处理得到的;
若不存在所述流图,则执行所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型。
在其中一个实施例中,所述方法还包括:
若存在所述流图,则对所述流图进行反序列化处理,得到所述目标烟火识别模型;
执行所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。
在其中一个实施例中,所述获取待识别图像数据,包括:
获取原始图像数据;
对所述原始图像数据进行预处理,得到所述待识别图像数据。
在其中一个实施例中,所述原始图像数据包括抓图模式下的抓图数据、位置编号和时间;和/或,所述原始图像数据包括视频模式下的视频流数据。
另一方面,本申请实施例提供一种烟火识别装置,所述装置包括:
待识别图像数据获取模块,用于获取待识别图像数据;
目标深度学习优化模型获取模块,用于构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的;
目标烟火识别模块,用于根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型;
烟火识别信息确定模块,用于将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例提供的烟火识别方法、装置、计算机设备和可读存储介质,通过获取待识别图像数据,构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型。根据所述目标深度学习优化模型,创建推理引擎,获取目标烟火识别模型。将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。本申请实施例提供的烟火识别方法,根据所述目标烟火识别模型来判断是否存在烟火,能够准确的检测森林火灾情况,这样可以减少大量的巡逻人员,从而能够避免浪费人力物力。同时,本申请实施例提供的所述目标烟火识别模型是根据所述目标深度学习优化模型获得,这样的所述目标烟火识别模型识别速度快,能够及时准确的识别烟火目标,从而使得工作人员及时的发现火灾情况,并及时做出相应的措施,进而能够降低灭火难度,减少火灾带来的损失。
附图说明
图1为本申请一个实施例提供的烟火识别方法应用场景示意图;
图2为本申请一个实施例提供的烟火识别方法步骤流程示意图;
图3为本申请一个实施例提供的烟火识别方法步骤流程示意图;
图4为本申请一个实施例提供的烟火识别方法步骤流程示意图;
图5为本申请一个实施例提供的烟火识别方法步骤流程示意图;
图6为本申请一个实施例提供的烟火识别方法步骤流程示意图;
图7为本申请一个实施例提供的烟火识别装置的结构示意图;
图8为本申请一个实施例提供的计算机设备的内部结构图。
附图标记说明:
10、烟火识别系统;
20、服务指令接收装置;
30、烟火识别装置;
40、模型训练装置;
50、服务响应装置;
60、烟火识别装置。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下通过实施例,并结合附图,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的烟火识别方法可以应用于如图1所述的烟火识别系统10中。所述烟火识别系统包括服务指令接收装置20、烟火识别装置30、模型训练装置40和服务响应装置50,其中,所述服务指令接收装置20用于接收图像数据;所述烟火识别装置30用于根据目标烟火识别模型识别是否存在烟火;所述模型训练装置40用于对所述目标烟火识别模型进行训练;所述服务响应装置50用于根据所述烟火识别装置的识别信息做出响应。所述烟火识别系统可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
请参见图2,本申请一个实施例提供一种烟火识别方法,在本实施例中,所述烟火识别方法的执行主体为计算机设备。所述方法包括:
S100,获取待识别图像数据。
图像数据是指通过设置在森林中的摄像机获取的森林区域的图像。所述待识别图像数据是指所述烟火识别方法中需要识别的图像数据。所述待识别图像数据可以为多个。所述计算机设备可以与摄像机、烟雾传感器等探测器通信连接,获取摄像机、烟雾传感器等探测器中的所述待识别图像数据。
S200,构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的。
在一个具体的实施例中,所述深度学习优化模型可以为TensorRT模型,其中,TensorRT是一个高性能的深度学习推理优化器,可以为深度学习应用提供低延迟、高吞吐率的部署推理。所述预设烟火识别模型可以是一种深度学习算法。通过获取收集到的目标图像样本,分别对所述目标图像样本中的烟火目标进行标记,再将所述目标图像样本和标记好的数据送入到预设烟火识别模型中进行训练,能够得到烟火识别模型。
将所述烟火识别模型导入构建好的所述深度学习优化模型,利用所述深度学习优化模型可以对所述烟火识别模型进行优化处理,得到所述目标深度学习优化模型。
S300,根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型。
根据所述目标深度学习优化模型,能够创建一个可以执行的所述推理引擎,所述推理引擎可以用于表征所述目标烟火识别模型。在进行烟火识别时,执行所述推理引擎,就可以对所述待识别图像数据进行识别。所述目标烟火识别模型的数据类型可以预先设置,本实施例对所述目标烟火识别模型的数据类型不作任何限制,使用者可以根据实际需求进行选择。
S400,将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
所述目标图像数据是指所述待识别图像中的目标图像。所述目标类别为所述目标图像数据的类型。例如有烟火和无烟火。所述目标位置为所述目标图像数据所在的位置,所述目标位置可以用坐标轴表示,也可以用经纬度表示,使用者可以根据实际需求进行设置,本实施例对此不作任何限制。由于所述待识别图像数据可以有多个,则最终得到的烟火识别信息也可以是多个,所述烟火识别信息可以是所述目标图像数据、所述目标类别和所述目标位置中的一种或者多种。
在一个具体的实施例中,所述计算机设备可以将所述烟火识别信息转化为结构化数据,所述结构数据可以是字符串形式,也可以是字典形式和矩阵形式等。所述结构化数据主要包括图像字节流数据、目标类别和目标位置。例如:{"data":[{"image":base64字节流},{"label":"smog"},{"ymax":209,"xmax":149,"xmin":128,"ymin":181}}。其中,所述结构化数据类型为json字符串,字符串以标志“data”:开头,中括号中包含所述待识别图像数据和所述目标图像数据,第一个大括号对应图像字节流数据,第二个大括号中为所述目标类别,第三个大括号为所述目标位置,若接收的图像中不出现烟火目标,则对应的括号中内容为空。所述结构化数据中的每个参数的含义为:smog为烟火目标的类别,(xmin,ymin):烟火目标左上角坐标,(xmax,ymax):烟火目标右下角坐标。在本实施例中,将所述烟火识别信息转化为所述结构化数据,能够方便业务拓展,从而能够提高所述烟火识别方法的适用性。
本申请实施例提供的烟火识别方法、装置、计算机设备和可读存储介质,通过获取待识别图像数据,构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型。根据所述目标深度学习优化模型,创建推理引擎,获取目标烟火识别模型。将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。本申请实施例提供的烟火识别方法,根据所述目标烟火识别模型来判断是否存在烟火,能够准确的检测森林火灾情况,这样可以减少大量的巡逻人员,从而能够避免浪费人力物力。同时,本申请实施例提供的所述目标烟火识别模型是根据所述目标深度学习优化模型获得,这样的所述目标烟火识别模型识别速度快,能够及时准确的识别烟火目标,从而使得工作人员及时的发现火灾情况,并及时做出相应的措施,进而能够降低灭火难度,减少火灾带来的损失。
本申请实施例涉及的是“所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型”的一种可能的实现方式,如图3所示,S200包括:
S210,将所述烟火识别模型导入所述深度学习优化模型,得到初始深度学习优化模型。
将已经训练好的所述烟火识别模型导入所述深度学习优化模型,可以得到一个新的深度学习优化模型,记为所述初始深度学习优化模型。
S220,利用模型解析器对所述烟火识别模型进行解析,获取权值参数。
所述模型解析器是所述初始深度学习优化模型中的器件。利用所述模型解析器可以对所述烟火识别模型进行解析,可以获得所述烟火识别模型的一些权值参数,其中,所述权值参数可以为所述烟火识别模型的数据类型和预先设置的参数等。
S230,将所述权值参数输入所述初始深度学习优化模型,得到所述目标深度学习优化模型。
所述初始深度学习优化模型根据输入的所述权值参数,根据所述权值参数对所述初始深度学习优化模型进行优化,可以得到所述目标深度学习优化模型。
本申请实施例涉及的是“所述将所述识别图像数据输入所述目标烟火识别模型,确定烟火识别信息”的一种可能的实现方式,如图4所示,S400包括:
S410,将所述待识别图像数据输入所述目标烟火识别模型,得到目标预测框信息。
S420,对所述目标预测框信息进行非极大值抑制,得到烟火识别信息。
所述非极大值抑制可以理解为局部最大搜索,其中,局部代表的是一个邻域,邻域有两个参数可以变化,一是邻域的维度,二是邻域的大小。所述非极大值抑制是一种边缘细化技术。将所述待识别图像数据输入所述目标烟火识别模型,得到的所述目标预测框信息可能有多个,利用所述非极大值抑制技术可以对所述目标预测框信息进行边缘细化处理,能够更加准确的得到烟火识别信息,从而能够准确的判断是否存在烟火。
请参见图5,在一个实施例中,所述方法还包括:
S500,判断是否存在流图,其中,所述流图是对所述目标烟火识别模型序列化处理得到的。
所述流图是对所述目标烟火识别模型序列化后获得的,所述流图可以保存在所述计算机设备的内存或者磁盘中。
若不存在所述流图,则执行所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型为根据收集的目标图像样本数据和预设烟火识别模型进行训练得到。
若所述计算机设备的内存或者磁盘中不存在所述流图,则需要构建所述深度学习优化模型,通过对所述烟火识别模型优化处理得到所述目标烟火识别模型。
请继续参见图5,在一个实施例中,所述方法还包括:
S510,若存在所述流图,则对所述流图进行反序列化处理,得到所述目标烟火识别模型。
执行所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。
若所述计算机设备的内存或者磁盘中存在所述流图,则直接从内存或者磁盘中调用所述流图,对所述流图进行反序列化处理,可以得到所述目标烟火识别模型。利用所述目标烟火识别模型可以对所述待识别图像数据进行识别,确定所述烟火识别信息。
在本实施例中,若以前获取过所述目标烟火识别模型,则将所述目标烟火识别模型序列化处理后得到的所述流图存储在所述计算机设备的内存或者磁盘中。在需要进行烟火识别时,直接调用所述流图,对所述流图进行反序列化处理就可以得到所述目标烟火识别模型,这样能够避免在每次进行烟火识别时都需要重新构建深度学习优化模型来获取所述目标烟火识别模型,从而能够提高烟火识别速率。
请参见图6,本申请实施例涉及的是“所述获取待识别图像数据”的一种可能的实现方式,S100包括:
S110,获取原始图像数据。
在一个具体的实施例中,在森林区域设备多个摄像机,利用摄像机检测森林的情况,所述原始图像数据是指摄像机检测到的图像数据。
S120,对所述原始图像数据进行预处理,得到所述待识别图像数据。
摄像机可以有多种工作模式,例如抓图模式和视频工作模式等。在不同的工作模式下可以得到不同形式的所述原始图像数据,则对不同形式的所述原始图像数据的处理方式不同。
在一个实施例中,所述原始图像数据包括抓图模式下的抓图数据、位置编号和时间;和/或,所述原始图像数据包括视频模式下的视频流数据。
若摄像机的工作模式为抓图模式,则利用软件开发工具包可以直接获取抓图数据、位置编号和时间等。所述计算机设备通过检测所述抓图数据、所述位置编号和时间是否接收完成。若接收完成,则将所述抓图数据、所述位置编号和时间作为所述待识别图像数据;若接收未完成,则继续接收,直至接收完成后将接收的所述原始图像数据作为所述待识别图像数据。若摄像机的工作模式为视频工作模式,则所述计算机设备可以通过网口,并利用实时视频流传协议获取视频流数据。所述计算机设备利用软解码模块对所述视频流述流进行解码,就可以获得所述待识别数据。在本实施例中,使用者可以根据实际需求选择摄像机的一种工作模式,也可以选择多种工作模式,获取多种工作模式下的所述原始图像数据,获取更加完整的所述原始图像数据,能够使得最终识别的所述烟火识别信息更加准确。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图7,本申请一个实施例提供一种烟火识别装置60,所述装置包括待识别图像数据获取模块100、目标深度学习优化模型获取模块200、目标烟火识别模块300和烟火识别信息确定模块400,其中,
所述待识别图像数据获取模块100用于获取待识别图像数据。
所述目标深度学习优化模型获取模块200用于构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的。
所述目标烟火识别模块300用于根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型。
所述烟火识别信息确定模块400用于将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
关于所述烟火识别装置60的具体限定可以参见上文中对于烟火识别方法的限定,在此不在赘述。所述烟火识别装置60中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置或各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图8,在一个实施例中,提供了一种计算机设备,所述计算机设备可以是服务器,其内部结构图可以如图8所示。所述计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,所述计算机设备的处理器用于提供计算和控制能力。所述计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。所述计算机设备的数据库用于存储所述待识别图像数据和所述目标烟火识别模型等。所述计算机设备的网络接口用于与外部的终端通过网络连接通信。所述计算机设备被处理器执行时以实现一种烟火识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,所述处理器执行计算机程序时实现以下步骤:
获取待识别图像数据;
构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的;
根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型;
将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:将所述烟火识别模型导入所述深度学习优化模型,得到初始深度学习优化模型;利用模型解析器对所述烟火识别模型进行解析,获取权值参数;将所述权值参数输入所述初始深度学习优化模型,得到所述目标深度学习优化模型。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:将所述待识别图像数据输入所述目标烟火识别模型,得到目标预测框信息;对所述目标预测框信息进行非极大值抑制,得到烟火识别信息。
在一个实施例中,所述处理器执行计算机程序时实现还以下步骤:判断是否存在流图,其中,所述流图是对所述目标烟火识别模型序列化处理得到的;若不存在所述流图,则执行所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:若存在所述流图,则对所述流图进行反序列化处理,得到所述目标烟火识别模型;执行所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:获取原始图像数据;对所述原始图像数据进行预处理,得到所述待识别图像数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待识别图像数据;
构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的;
根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型;
将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将所述烟火识别模型导入所述深度学习优化模型,得到初始深度学习优化模型;利用模型解析器对所述烟火识别模型进行解析,获取权值参数;将所述权值参数输入所述初始深度学习优化模型,得到所述目标深度学习优化模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将所述待识别图像数据输入所述目标烟火识别模型,得到目标预测框信息;对所述目标预测框信息进行非极大值抑制,得到烟火识别信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:判断是否存在流图,其中,所述流图是对所述目标烟火识别模型序列化处理得到的;若不存在所述流图,则执行所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若存在所述流图,则对所述流图进行反序列化处理,得到所述目标烟火识别模型;执行所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取原始图像数据;对所述原始图像数据进行预处理,得到所述待识别图像数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种烟火识别方法,其特征在于,所述方法包括:
获取待识别图像数据;
构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的;
根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型;
将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
2.根据权利要求1所述的方法,其特征在于,所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,包括:
将所述烟火识别模型导入所述深度学习优化模型,得到初始深度学习优化模型;
利用模型解析器对所述烟火识别模型进行解析,获取权值参数;
将所述权值参数输入所述初始深度学习优化模型,得到所述目标深度学习优化模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,包括:
将所述待识别图像数据输入所述目标烟火识别模型,得到目标预测框信息;
对所述目标预测框信息进行非极大值抑制,得到烟火识别信息。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断是否存在流图,其中,所述流图是对所述目标烟火识别模型序列化处理得到的;
若不存在所述流图,则执行所述构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若存在所述流图,则对所述流图进行反序列化处理,得到所述目标烟火识别模型;
执行所述将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息。
6.根据权利要求1所述的方法,其特征在于,所述获取待识别图像数据,包括:
获取原始图像数据;
对所述原始图像数据进行预处理,得到所述待识别图像数据。
7.根据权利要求6所述的方法,其特征在于,所述原始图像数据包括抓图模式下的抓图数据、位置编号和时间;和/或,所述原始图像数据包括视频模式下的视频流数据。
8.一种烟火识别装置,其特征在于,所述装置包括:
待识别图像数据获取模块,用于获取待识别图像数据;
目标深度学习优化模型获取模块,用于构建深度学习优化模型,将烟火识别模型导入所述深度学习优化模型,确定目标深度学习优化模型,其中,所述烟火识别模型是根据收集的目标图像样本数据和预设烟火识别模型进行训练得到的;
目标烟火识别模块,用于根据所述目标深度学习优化模型,创建推理引擎,获得目标烟火识别模型;
烟火识别信息确定模块,用于将所述待识别图像数据输入所述目标烟火识别模型,确定烟火识别信息,其中,所述烟火识别信息至少包括目标图像数据、目标类别和目标位置中的一种。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136038.7A CN111476086B (zh) | 2020-03-02 | 2020-03-02 | 烟火识别方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010136038.7A CN111476086B (zh) | 2020-03-02 | 2020-03-02 | 烟火识别方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476086A true CN111476086A (zh) | 2020-07-31 |
CN111476086B CN111476086B (zh) | 2023-05-02 |
Family
ID=71747098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010136038.7A Active CN111476086B (zh) | 2020-03-02 | 2020-03-02 | 烟火识别方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476086B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121129A1 (zh) * | 2020-12-12 | 2022-06-16 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN109815863A (zh) * | 2019-01-11 | 2019-05-28 | 北京邮电大学 | 基于深度学习和图像识别的烟火检测方法和系统 |
CN110728284A (zh) * | 2018-06-29 | 2020-01-24 | 南京汇承科技有限公司 | 一种基于深度学习的边缘计算烟火识别方法及智能终端 |
-
2020
- 2020-03-02 CN CN202010136038.7A patent/CN111476086B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN110728284A (zh) * | 2018-06-29 | 2020-01-24 | 南京汇承科技有限公司 | 一种基于深度学习的边缘计算烟火识别方法及智能终端 |
CN109815863A (zh) * | 2019-01-11 | 2019-05-28 | 北京邮电大学 | 基于深度学习和图像识别的烟火检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
任嘉锋;熊卫华;吴之昊;姜明;: "基于改进YOLOv3的火灾检测与识别" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121129A1 (zh) * | 2020-12-12 | 2022-06-16 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111476086B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815868B (zh) | 一种图像目标检测方法、装置及存储介质 | |
CN110909630B (zh) | 一种异常游戏视频检测方法和装置 | |
CN108009466B (zh) | 行人检测方法和装置 | |
CN110881050A (zh) | 安全威胁检测方法及相关产品 | |
CN110633675A (zh) | 一种基于卷积神经网络的视频中火灾识别系统及方法 | |
KR20180105787A (ko) | 퍼지로직과 딥러닝 통합 기반의 화재 감지 장치 및 방법 | |
CN112183166A (zh) | 确定训练样本的方法、装置和电子设备 | |
CN111652087A (zh) | 验车方法、装置、电子设备和存储介质 | |
CN111191507A (zh) | 智慧社区的安全预警分析方法及系统 | |
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
CN115424171A (zh) | 火焰和烟雾检测方法、装置和存储介质 | |
CN114241587B (zh) | 人脸活体检测对抗鲁棒性的评估方法及装置 | |
CN112183356A (zh) | 驾驶行为检测方法、设备及可读存储介质 | |
CN113989858B (zh) | 一种工作服识别方法及系统 | |
CN114882251A (zh) | 一种物联网大数据智能视频安防监控方法及装置 | |
CN111476086A (zh) | 烟火识别方法、装置、计算机设备和可读存储介质 | |
CN114173094A (zh) | 视频监控方法、装置、计算机设备和存储介质 | |
CN112989932A (zh) | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN116226850A (zh) | 应用程序的病毒检测方法、装置、设备、介质及程序产品 | |
CN112607542B (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
KR20230102273A (ko) | 학습 영상 처리 시스템, 이를 이용한 학습 영상 자동 샘플링 방법 및 레이블링 방법 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN113342978A (zh) | 一种城市事件处理方法及装置 | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 |