CN112071016A - 火灾监控方法、装置、设备及存储介质 - Google Patents
火灾监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112071016A CN112071016A CN202010964367.0A CN202010964367A CN112071016A CN 112071016 A CN112071016 A CN 112071016A CN 202010964367 A CN202010964367 A CN 202010964367A CN 112071016 A CN112071016 A CN 112071016A
- Authority
- CN
- China
- Prior art keywords
- fire
- image data
- fire detection
- image
- monitoring
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 claims abstract description 205
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 239000000779 smoke Substances 0.000 claims description 30
- 238000002372 labelling Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 21
- 238000004321 preservation Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种火灾监控方法,所述火灾监控方法包括:获取图像采集终端采集的目标监控区域的图像数据;将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度;若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,返回所述获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。本发明还公开了一种火灾检测模型的训练方法、一种火灾监控装置、设备以及存储介质。根据在第一预设时间内的多个火灾检测置信度满足第二预设条件,来确定最终的目标区域的火灾监控结果,使得到的火灾监控结果更加准确。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及火灾监控方法、装置、设备及存储介质。
背景技术
火灾具有极大的破坏性,对人们的生命财产安全产生很大的危险,尤其是深林火灾的预警一直困扰人们,因此人们对于火灾的防治一直非常重视。
相关技术中,通过训练好的神经网络模型对监控图像进行识别,并根据神经网络模型单次得到的识别结果得到火灾监控结果,但神经网络模型单次得到的识别结果存在一定误差,从而导致得到的火灾监控结果不准确。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种火灾监控方法、装置、设备及存储介质,旨在解决火灾监控不准确的技术问题。
为实现上述目的,本发明提供一种火灾监控方法,所述火灾监控方法包括以下步骤:
获取图像采集终端采集的目标监控区域的图像数据;
将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度;
若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,返回所述获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。
可选地,所述获得所述目标区域的火灾监控结果的步骤之后,所述火灾监控方法还包括:
基于所述火灾监控结果,向监控端发送火灾信号报警信息,以使所述监控端在显示界面上显示所述火灾信号报警信息。
可选地,所述获得所述目标区域的火灾监控结果的步骤之后,所述火灾监控方法还包括:
基于所述火灾监控结果,将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端。
可选地,所述将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端的步骤之后,所述火灾监控方法还包括:
接收用户端发送的火情响应信息,所述火情响应信息由所述用户端基于所述图像数据以及所述图像数据的位置信息生成,所述火情响应信息包括火情确认信息和火情误报信息;
若为火情误报信息,则向所述监控端发送报警关闭信息,以使所述监控端根据所述报警关闭信息在所述显示界面上关闭所述火灾信号报警信息。
可选地,所述将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度的步骤之后,所述火灾监控方法还包括:
若所述火灾检测置信度满足第三预设条件,则将所述火灾检测置信度满足第三预设条件时的图像数据存储至云服务器。
可选地,所述火灾检测置信度包括烟雾图片保存置信度和火焰图片保存置信度,所述第三预设条件为:
所述烟雾图片保存置信度大于第一预设值,或
所述火焰图片保存置信度大于第二预设值。
可选地,所述火灾检测置信度包括火焰置信度和烟雾置信度,所述第一预设条件为:
所述火焰置信度大于第三预设值或所述烟雾置信度大于第四预设值。
可选地,所述第二预设条件为:
在所述第一预设时间内获得满足所述第一预设条件的火灾检测置信度的数量占比大于第五预设值;或,
在所述第一预设时间内连续获得满足所述第一预设条件的火灾检测置信度的数量大于第六预设值。
可选地,所述获取图像采集终端采集的目标监控区域的图像数据的步骤之前,所述火灾监控方法还包括:
获取图像采集终端采集的目标监控区域的图像数据样本;
对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
可选地,所述对所述图像数据标注样本进行数据预处理,以获得训练集图像样本的步骤,包括:
对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
可选地,所述对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本的步骤之后,所述火灾监控方法还包括:
获取图像采集终端采集的目标监控区域的图像数据样本;
可选地,所述对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本的步骤之后,所述火灾监控方法还包括:
将所述火灾检测模型转换为C++头文件;
将所述火灾检测模型和接口函数进行封装,以获得火灾检测动态链接库。
此外,为实现上述目的,本发明还提供一种火灾检测模型的训练方法,所述火灾检测模型的训练方法包括:
对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
可选地,所述对所述图像数据标注样本进行数据预处理,以获得训练集图像样本的步骤,包括:
对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
此外,为实现上述目的,本发明还提供一种火灾监控装置,所述火灾监控装置包括:
图片接收模块,用于获取图像采集终端采集的目标监控区域的图像数据;
检测模块,用于将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度;
决策模块,用于若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,重复执行所述图片接收模块和检测模块的步骤,直到获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。
可选地,所述火灾监控装置还包括:
第一发送模块,用于基于所述火灾监控结果,向监控端发送火灾信号报警信息,以使所述监控端在显示界面上显示所述火灾信号报警信息。
可选地,所述火灾监控装置还包括:
第二发送模块,用于基于所述火灾监控结果,将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端。
可选地,所述火灾监控装置还包括:
接收模块,用于接收用户端发送的火情响应信息,所述火情响应信息由所述用户端基于所述图像数据以及所述图像数据的位置信息生成,所述火情响应信息包括火情确认信息和火情误报信息;
第三发送模块,用于若为火情误报信息,则向所述监控端发送报警关闭信息,以使所述监控端根据所述报警关闭信息在所述显示界面上关闭所述火灾信号报警信息。
可选地,所述火灾监控装置还包括:
存储模块,用于若所述火灾检测置信度满足第三预设条件,则将所述火灾检测置信度满足第三预设条件时的图像数据存储至云服务器。
可选地,所述火灾检测置信度包括烟雾图片保存置信度和火焰图片保存置信度,所述第三预设条件为:
所述烟雾图片保存置信度大于第一预设值,或
所述火焰图片保存置信度大于第二预设值。
可选地,所述火灾检测置信度包括火焰置信度和烟雾置信度,所述第一预设条件为:
所述火焰置信度大于第三预设值或所述烟雾置信度大于第四预设值。
可选地,所述第二预设条件为:
在所述第一预设时间内获得满足所述第一预设条件的火灾检测置信度的数量占比大于第五预设值;或,
在所述第一预设时间内连续获得满足所述第一预设条件的火灾检测置信度的数量大于第六预设值。
可选地,所述火灾监控装置还包括:
样本获取模块,用于获取图像采集终端采集的目标监控区域的图像数据样本;
标注模块,用于对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
预处理模块,用于对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
训练模块,用于将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
可选地,所述预处理模块,包括:
增强子模块,用于对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
归一化子模块,用于对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
可选地,所述火灾监控装置还包括:
封装模块,用于将所述火灾检测模型和接口函数进行封装,以获得火灾检测动态链接库。
此外,为实现上述目的,本发明还提供一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行火灾监控和火灾检测模型的训练程序,所述火灾监控和火灾检测模型的训练程序被所述处理器执行时实现如上述中任一项所述的火灾监控方法和火灾检测模型的训练方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有火灾监控和火灾检测模型的训练程序,所述火灾监控和火灾检测模型的训练程序被处理器执行时实现如上述中任一项所述的火灾监控方法和火灾检测模型的训练方法的步骤。
本发明实施例提出的一种火灾监控方法、装置、设备及存储介质,通过获取图像采集终端采集的目标监控区域的图像数据,并将图像数据输入训练获得的火灾检测模型中,以获得图像数据的火灾检测置信度;若火灾检测置信度满足第一预设条件,则在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的火灾检测置信度满足第二预设条件,获得目标区域的火灾监控结果。通过在获得图像数据的火灾置信度之后,再进一步判断火灾检测置信度是否满足第一预设条件,在火灾检测置信度满足第一预设条件后,会在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的火灾检测置信度满足第二预设条件,根据在第一预设时间内的多个火灾检测置信度满足第二预设条件,来确定最终的目标区域的火灾监控结果,使得到的火灾监控结果更加准确。
附图说明
图1为本发明实施例方案涉及的火灾监控方法的数据传输结构示意图;
图2为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图;
图3为本发明实施例方案涉及的硬件运行环境的服务器结构示意图;
图4为本发明实施例方案涉及的火灾监控方法的第一实施例的流程示意图;
图5为本发明实施例方案涉及的火灾检测模型的训练方法的第一实施例的流程示意图;
图6为本发明实施例方案涉及的火灾监控装置的第一实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相关技术中,为了解决烟雾报警器在大空间环境下安装部署困难,响应速度慢的问题,通过训练好的神经网络模型对监控图像进行识别,并根据神经网络模型单次得到的识别结果得到火灾监控结果,虽然提高了响应速度,但训练好的神经网络模型单次得到的识别结果存在一定误差,从而导致得到的火灾监控结果不准确,会存在误报的情况。
本发明提供一种解决方案,在获得图像数据的火灾置信度之后,再进一步判断火灾检测置信度是否满足第一预设条件,在火灾检测置信度满足第一预设条件后,会在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的火灾检测置信度满足第二预设条件,根据在第一预设时间内的多个火灾检测置信度满足第二预设条件,来确定最终的目标区域的火灾监控结果,使得到的火灾监控结果更加准确。
参照图1,图1为本发明实施例方案涉及的火灾监控方法的数据传输结构示意图,如图1所示,火灾监控方法应用于本地服务器,所述本地服务器分别与图像采集终端、监控端、云服务器以及用户端连接,云服务器与用户端连接。
参照图2,图2为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
终端设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment,UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station,MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常,终端设备包括:至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的火灾监控和火灾检测模型的训练程序,所述火灾监控和火灾检测模型的训练程序配置为实现如下任一实施例所述的火灾监控方法或火灾检测模型的训练方法的步骤。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关火灾监控方法或火灾检测模型的训练方法的操作,使得火灾监控方法或火灾检测模型的训练方法模型可以自主训练学习,提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的火灾监控方法或火灾检测模型的训练方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地,外围设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时,显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时,显示屏305还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,电子设备的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在电子设备的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在电子设备的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。本领域技术人员可以理解,图1中示出的结构并不构成对电子白板内容编辑共享设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有火灾监控和火灾检测模型的训练程序,所述火灾监控和火灾检测模型的训练程序被处理器执行时实现如下文任一实施例所述的火灾监控方法或火灾检测模型的训练方法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现下文任一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,所述火灾监控方法或火灾检测模型的训练方法程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如下述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
参照图3,图3为本发明实施例方案涉及的硬件运行环境的服务器结构示意图。该服务器用于实施下述实施例中提供的火灾监控方法或火灾检测模型的训练方法。
具体来讲,所述服务器包括中央处理单元(CPU)401、包括随机存取存储器(RAM)402和只读存储器(ROM)403的系统存储器404,以及连接系统存储器404和中央处理单元401的系统总线405。所述服务器还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)406,和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。
所述基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中所述显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。所述基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备407通过连接到系统总线405的大容量存储控制器连接到中央处理单元401。所述大容量存储设备407及其相关联的计算机可读介质为服务器提供非易失性存储。也就是说,所述大容量存储设备407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。
上述的系统存储器404和大容量存储设备407可以统称为存储器。根据本申请的各种实施例,所述服务器还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器可以通过连接在所述系统总线405上的网络接口单元411连接到网络412,或者说,也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统。
基于上述硬件结构,提出本发明电子白板内容编辑共享方法的实施例。
参照图4,图4为本发明实施例方案涉及的火灾监控方法的第一实施例的流程示意图,应用于本地服务器,所述火灾监控方法包括以下步骤:
步骤S11,获取图像采集终端采集的目标监控区域的图像数据。
需要说明的是,图像采集终端可为网络摄像头,也可为其它监控服务端,目标监控区域为需要进行火灾监控的区域,通过在需要进行火灾监控的目标监控区域安装图像采集终端,通过图像采集终端对目标监控区域进行图像数据的采集,其中,图像数据包括一张或多张图片数据。
具体实施时,若图像采集终端为网络摄像头,则本地服务器通过IP地址获取网络摄像头采集的目标监控区域的图像数据,若图像采集终端为其它监控服务端,则本地服务器通过API接口获取其它监控服务端采集的目标监控区域的图像数据。
步骤S12,将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度。
在本实施方式中,本地服务器将获取的图像数据输入训练获得的火灾检测模型中,便可得到图像数据包含的每张图片数据的火灾检测置信度。
步骤S13,若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,返回所述获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。
在本实施方式中,火灾检测置信度表征目标监控区域发生了火灾的概率的大小,具体实施时,火灾检测置信度可为0至100之间的值,其中,火灾检测置信度越大,目标监控区域发生了火灾的概率越大。
第一预设条件用于判断是否需要进一步进行第二预设条件的判断,若火灾检测置信度满足第一预设条件,则在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,从图像采集终端获取新的图像数据,并将新的图像数据输入训练获得的火灾检测模型中,得到新的图像数据的火灾检测置信度,循环执行上述步骤,从而获得多个火灾检测置信度。
若获得的多个火灾检测置信度满足第二预设条件,则获得目标区域的火灾监控结果,其中,目标区域的火灾监控结果为目标区域发生火灾。
在本申请实施例中,通过在获得图像数据的火灾置信度之后,再进一步判断火灾检测置信度是否满足第一预设条件,在火灾检测置信度满足第一预设条件后,会在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的火灾检测置信度满足第二预设条件,根据在第一预设时间内的多个火灾检测置信度满足第二预设条件,来确定最终的目标区域的火灾监控结果,使得到的火灾监控结果更加准确。
进一步的,基于上述图4所示的实施例,所述步骤S11之后,所述火灾监控方法还包括:
基于所述火灾监控结果,向监控端发送火灾信号报警信息,以使所述监控端在显示界面上显示所述火灾信号报警信息。
在本实施方式中,本地服务器基于火灾监控结果,生成火灾信号报警信息,并向监控终端发送火灾信号报警信息,以使监控端在接收到火灾信号报警信息后,在监控端的显示界面上显示火灾信号报警信息,以提醒用户。
基于上述图4所示的实施例,在一种可行的实施方式中,在所述步骤S12之前,还包括:
验证图像数据的合法性,以获得合法的图像数据;
对合法的图像数据进行预处理,以获得预处理图像数据;
所述将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度的步骤,包括:
将所述预处理图像数据输入训练获得的火灾检测模型中,以获得所述预处理图像数据的火灾检测置信度。
在本实施方式中,预先对图像数据进行合法性验证,具体实施时,验证图像采集终端的合法性,从而确认从图像采集终端获取的图像数据的合法性,以便确认该图像数据是需要进行图像识别的数据。对合法的图像数据进行预处理,包括:对图像数据的来源IP进行解析,如果是第一次获取该IP下的图像数据,则可获取该IP的物理环境信息,物理环境信息至少包括图像大小信息、是否有红外补光、检测灵敏度和检测优先级中的一个或多个,并封装到一个ID中,并对该IP获取的图像数据进行物理环境信息的标注,从而能够对不同图像采集终端获取的图像数据进行区分,然后对图像数据的大小和图像通道进行验证,并进行滤波处理,以便在将预处理图像数据输入训练获得的火灾检测模型中后,获得更准确的火灾检测置信度。
本地服务器还可连接多个报警器,本地服务器将生成的火灾信号报警信息发送给每个报警器,以使每个报警器发出响铃报警,以提醒用户。
在一种可行的实施方式中,在所述步骤S13之后,火灾监控方法还包括:
基于所述火灾监控结果,将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端。
在本实施方式中,在获得目标区域的火灾监控结果后,将满足第二预设条件的火灾检测置信度的图像数据以及图像数据的位置信息发送至云服务器,以使云服务器将接收到的图像数据以及图像数据的位置信息进行存储并发送至用户端,以便进行数据的分析以及用户端用户的响应,其中,位置信息通过IP或ID进行确定,每个IP或ID对应一个位置信息。
在一种可行的实施方式中,在将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端的步骤之后,所述火灾监控方法还包括:
接收用户端发送的火情响应信息,所述火情响应信息由所述用户端基于所述图像数据以及所述图像数据的位置信息生成,所述火情响应信息包括火情确认信息和火情误报信息;
若为火情误报信息,则向所述监控端发送报警关闭信息,以使所述监控端根据所述报警关闭信息在所述显示界面上关闭所述火灾信号报警信息。
在本实施方式中,本地服务器接收用户端发送的火情响应信息,其中,火情响应信息由用户端基于图像数据以及图像数据的位置信息生成,火情响应信息包括火情确认信息和火情误报信息,具体实施时,用户端接收到本地服务器发送的图像数据以及图像数据的位置信息后,可手动进行人工火情确认并生成火情响应信息,并将火情响应信息发送给本地服务器,本地服务器接收到火情响应信息后,若是火情误报信息,则向监控端发送报警关闭信息,以使监控端根据报警关闭信息在显示界面上关闭火灾信号报警信息。
在一种可行的实施方式中,所述步骤S12之后,所述火灾监控方法还包括:
若所述火灾检测置信度满足第三预设条件,则将所述火灾检测置信度满足第三预设条件时的图像数据存储至云服务器。
在本实施方式中,若火灾检测置信度满足第三预设条件,则本地服务器将火灾检测满足第三预设条件时的图像数据发送至云服务器,由云服务器对火灾检测满足第三预设条件时的图像数据进行存储,以便进行图像数据的分析。
在一种可行的实施方式中,所述火灾检测置信度包括烟雾图片保存置信度和火焰图片保存置信度,所述第三预设条件为:
所述烟雾图片保存置信度大于第一预设值,或
所述火焰图片保存置信度大于第二预设值。
在本实施方式中,火灾检测置信度包括烟雾图片保存置信度和火焰保存置信度,其中,第一预设值为图片保存的门限值,第二预设值为火焰图片保存的门限值,第一预设值和第二预设值通过用户预先输入,当烟雾图片保存置信度大于第一预设值时,则将烟雾图片保存置信度大于第一预设值时的图像数据发送至云服务器,由云服务器对烟雾图片保存置信度大于第一预设值时的图像数据进行保存,当火焰图片保存置信度大于第二预设值时,则将火焰图片保存置信度大于第二预设值时的图像数据发送至云服务器,由云服务器对火焰图片保存置信度大于第二预设值时的图像数据进行保存。
在一种可行的实施方式中,所述火灾检测置信度包括火焰置信度和烟雾置信度,所述第一预设条件为:
所述火焰置信度大于第三预设值或所述烟雾置信度大于第四预设值。
在本实施方式中,火灾检测置信度包括火焰置信度和烟雾置信度,其中,第三预设值和第四预设值为用户预先输入的值,当火焰置信度大于第三预设值,或烟雾置信度大于第四预设值时,会在接下来的第一预设时间内,持续获取图像采集终端采集的目标监控区域的图像数据,并通过火灾检测模型获得图像数据的火灾检测置信度,并对第一预设时间内得到的火焰置信度和烟雾置信度进行分开处理,判断火焰置信度和烟雾置信度是否满足第二预设条件,具体实施时,第一预设时间可为2秒。
在一种可行的实施方式中,图像数据被标注有优先级,同一图像采集终端采集的图像数据被标注为同一优先级,不同的图像采集终端采集的图像数据可被标注为不同的优先级,当火灾检测置信度满足第一预设条件,则提高火灾检测置信度满足第一预设条件的图像数据的图像采集终端的优先级,使该图像采集终端采集的图像数据的优先级提高,以便能够在接下来的第一预设时间内,优先将该图像采集终端采集的图像数据输入到火灾检测模型中,以获得图像数据的火灾检测置信度。具体地,在具有NVIDIA GeForce RTX2080Ti 2080显卡的服务器器上每一帧检测时间为6-8ms。每分钟检测能力大概140张图片,如果需要检测的数据太多,则设置图像数据的优先级能够保障重要区域或者可疑火灾状态下的快速响应。
在一种可行的实施方式中,所述第二预设条件为:
在所述第一预设时间内获得满足所述第一预设条件的火灾检测置信度的数量占比大于第五预设值;或,
在所述第一预设时间内连续获得满足所述第一预设条件的火灾检测置信度的数量大于第六预设值。
在本实施方式中,第五预设值和第六预设值均通过用户预先设置,例如,第五预设值为60%,当在第一预设时间内获得满足第一预设条件的火灾检测置信度的数量占比大于60%时,则可判定第一预设之间内的火灾检测置信度满足第二预设条件,从而可获得目标区域的火灾监控结果;或者,第六预设值为6,当在第一预设时间内连续获得满足第一预设条件的火灾检测置信度的数量大于6时,则可判定第一预设之间内的火灾检测置信度满足第二预设条件,从而可获得目标区域的火灾监控结果,具体判定时,可将火焰置信度和烟雾置信度分别进行判定。
在一种可行的实施方式中,所述步骤S11之前,所述火灾监控方法还包括:
获取图像采集终端采集的目标监控区域的图像数据样本;
对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
在本实施方式中,需要预先训练好火灾检测模型,首先,需要获取图像采集终端采集的目标监控区域的图像数据样本,然后对图像数据样本进行清洗和标注,以获得图像数据标注样本,再对图像数据标注样本进行数据预处理,以使得到的训练集图像样本数据量更大,并将训练集图像样本输入初始检测模型,训练直至模型参数收敛,即可得到火灾检测模型,具体地,模型参数收敛为:初始检测模型得到的损失函数小于第七预设值,或训练轮数达到第八预设值,其中,第七预设值可为0.05,第八预设值可为1000。
在一种可行的实施方式中,所述对所述图像数据标注样本进行数据预处理,以获得训练集图像样本的步骤,包括:
对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
在本实施方式中,首先对图像数据标注样本进行数据增强,其中,数据增强可包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种,随机裁剪、随机亮度增强和图片随机融合,能够扩充数据集,以获得数量更多的训练集图像样本,从而使训练好的火灾检测模型有较高的泛化能力,以提高火灾检测模型输出的火灾检测置信度的准确率。
在一种可行的实施方式中,所述对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本的步骤之后,所述火灾监控方法还包括:
将所述火灾检测模型和接口函数进行封装,以获得火灾检测动态链接库。
在本实施方式中,首先将训练好的火灾检测模型转换为C++头文件,再将C++头文件和接口函数进行封装,以获得火灾检测动态链接库,具体地,将训练好的火灾检测模型固化为model.onnx模型,将固化的onnx格式的模型文件model.onnx使用ncnn的工具转换成一个model.bin文件和一个model.param文件,再将model.bin和model.param文件转换成两个C++中的头文件model.bin.h和model.param.h文件。这两个头文件就是我们可以在多平台中使用的火灾检测模型文件,然后将火灾检测模型文件和接口函数进行封装,得到火灾检测动态链接库,使用过程中,会将应用的接口文件编译为动态链接库文件,从而可将训练好的火灾检测模型运用到监控软件中。
参照图5,图5为本发明实施例方案涉及的火灾检测模型的训练方法的第一实施例的流程示意图,所述火灾检测模型的训练方法包括以下步骤:
步骤S21:获取图像采集终端采集的目标监控区域的图像数据样本;
步骤S22:对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
步骤S23:对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
步骤S24:将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
在本实施方式中,需要预先训练好火灾检测模型,首先,需要获取图像采集终端采集的目标监控区域的图像数据样本,然后对图像数据样本进行清洗和标注,以获得图像数据标注样本,再对图像数据标注样本进行数据预处理,以使得到的训练集图像样本数据量更大,并将训练集图像样本输入初始检测模型,训练直至模型参数收敛,即可得到火灾检测模型,具体地,模型参数收敛为:初始检测模型得到的损失函数小于第七预设值,或训练轮数达到第八预设值,其中,第七预设值可为0.05,第八预设值可为1000。
在一种可行的实施方式中,所述步骤S23包括:
对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
在本实施方式中,首先对图像数据标注样本进行数据增强,其中,数据增强可包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种,随机裁剪、随机亮度增强和图片随机融合,能够扩充数据集,以获得数量更多的训练集图像样本,从而使训练好的火灾检测模型有较高的泛化能力,以提高火灾检测模型输出的火灾检测置信度的准确率。
参照图6,图6为本发明实施例方案涉及的火灾监控装置的第一实施例的结构示意图,所述火灾监控装置包括:
图片接收模块10,用于获取图像采集终端采集的目标监控区域的图像数据;
检测模块20,用于将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度;
决策模块30,用于若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,重复执行所述图片接收模块和检测模块的步骤,直到获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。
可选地,所述火灾监控装置还包括:
第一发送模块,用于基于所述火灾监控结果,向监控端发送火灾信号报警信息,以使所述监控端在显示界面上显示所述火灾信号报警信息。
可选地,所述火灾监控装置还包括:
第二发送模块,用于基于所述火灾监控结果,将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端。
可选地,所述火灾监控装置还包括:
接收模块,用于接收用户端发送的火情响应信息,所述火情响应信息由所述用户端基于所述图像数据以及所述图像数据的位置信息生成,所述火情响应信息包括火情确认信息和火情误报信息;
第三发送模块,用于若为火情误报信息,则向所述监控端发送报警关闭信息,以使所述监控端根据所述报警关闭信息在所述显示界面上关闭所述火灾信号报警信息。
可选地,所述火灾监控装置还包括:
存储模块,用于若所述火灾检测置信度满足第三预设条件,则将所述火灾检测置信度满足第三预设条件时的图像数据存储至云服务器。
可选地,所述火灾检测置信度包括烟雾图片保存置信度和火焰图片保存置信度,所述第三预设条件为:
所述烟雾图片保存置信度大于第一预设值,或
所述火焰图片保存置信度大于第二预设值。
可选地,所述火灾检测置信度包括火焰置信度和烟雾置信度,所述第一预设条件为:
所述火焰置信度大于第三预设值或所述烟雾置信度大于第四预设值。
可选地,所述第二预设条件为:
在所述第一预设时间内获得满足所述第一预设条件的火灾检测置信度的数量占比大于第五预设值;或,
在所述第一预设时间内连续获得满足所述第一预设条件的火灾检测置信度的数量大于第六预设值。
可选地,所述火灾监控装置还包括:
样本获取模块,用于获取图像采集终端采集的目标监控区域的图像数据样本;
标注模块,用于对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
预处理模块,用于对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
训练模块,用于将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
可选地,所述预处理模块,包括:
增强子模块,用于对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
归一化子模块,用于对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
可选地,所述火灾监控装置还包括:
封装模块,用于将所述火灾检测模型和接口函数进行封装,以获得火灾检测动态链接库。
本发明实施例提出的一种火灾监控装置,通过获取图像采集终端采集的目标监控区域的图像数据,并将图像数据输入训练获得的火灾检测模型中,以获得图像数据的火灾检测置信度;若火灾检测置信度满足第一预设条件,则在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的火灾检测置信度满足第二预设条件,获得目标区域的火灾监控结果。通过在获得图像数据的火灾置信度之后,再进一步判断火灾检测置信度是否满足第一预设条件,在火灾检测置信度满足第一预设条件后,会在第一预设时间内,返回获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的火灾检测置信度满足第二预设条件,根据在第一预设时间内的多个火灾检测置信度满足第二预设条件,来确定最终的目标区域的火灾监控结果,使得到的火灾监控结果更加准确。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (15)
1.一种火灾监控方法,其特征在于,所述火灾监控方法包括以下步骤:
获取图像采集终端采集的目标监控区域的图像数据;
将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度;
若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,返回所述获取图像采集终端采集的目标监控区域的图像数据的步骤,循环至获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。
2.如权利要求1所述的火灾监控方法,其特征在于,所述获得所述目标区域的火灾监控结果的步骤之后,所述火灾监控方法还包括:
基于所述火灾监控结果,向监控端发送火灾信号报警信息,以使所述监控端在显示界面上显示所述火灾信号报警信息。
3.如权利要求1所述的火灾监控方法,其特征在于,所述获得所述目标区域的火灾监控结果的步骤之后,所述火灾监控方法还包括:
基于所述火灾监控结果,将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端。
4.如权利要求3所述的火灾监控方法,其特征在于,所述将所述图像数据以及所述图像数据的位置信息发送至云服务器,以使所述云服务器将所述图像数据以及所述图像数据的位置信息进行存储并发送至用户端的步骤之后,所述火灾监控方法还包括:
接收用户端发送的火情响应信息,所述火情响应信息由所述用户端基于所述图像数据以及所述图像数据的位置信息生成,所述火情响应信息包括火情确认信息和火情误报信息;
若为火情误报信息,则向所述监控端发送报警关闭信息,以使所述监控端根据所述报警关闭信息在所述显示界面上关闭所述火灾信号报警信息。
5.如权利要求1所述的火灾监控方法,其特征在于,所述将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度的步骤之后,所述火灾监控方法还包括:
若所述火灾检测置信度满足第三预设条件,则将所述火灾检测置信度满足第三预设条件时的图像数据存储至云服务器。
6.如权利要求5所述的火灾监控方法,其特征在于,所述火灾检测置信度包括烟雾图片保存置信度和火焰图片保存置信度,所述第三预设条件为:
所述烟雾图片保存置信度大于第一预设值,或,
所述火焰图片保存置信度大于第二预设值。
7.如权利要求1所述的火灾监控方法,其特征在于,所述火灾检测置信度包括火焰置信度和烟雾置信度,所述第一预设条件为:
所述火焰置信度大于第三预设值或所述烟雾置信度大于第四预设值;
所述第二预设条件为:
在所述第一预设时间内获得满足所述第一预设条件的火灾检测置信度的数量占比大于第五预设值;或,
在所述第一预设时间内连续获得满足所述第一预设条件的火灾检测置信度的数量大于第六预设值。
8.如权利要求1所述的火灾监控方法,其特征在于,所述获取图像采集终端采集的目标监控区域的图像数据的步骤之前,所述火灾监控方法还包括:
获取图像采集终端采集的目标监控区域的图像数据样本;
对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
9.如权利要求8所述的火灾监控方法,其特征在于,所述对所述图像数据标注样本进行数据预处理,以获得训练集图像样本的步骤,包括:
对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
10.如权利要求9所述的火灾监控方法,其特征在于,所述对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本的步骤之后,所述火灾监控方法还包括:
将所述火灾检测模型和接口函数进行封装,以获得火灾检测动态链接库。
11.一种火灾检测模型的训练方法,其特征在于,所述火灾检测模型的训练方法包括:
获取图像采集终端采集的目标监控区域的图像数据样本;
对所述图像数据样本进行清洗和标注,以获得图像数据标注样本;
对所述图像数据标注样本进行数据预处理,以获得训练集图像样本;
将所述训练集图像样本输入初始检测模型,训练至模型参数收敛,获得所述火灾检测模型。
12.如权利要求11所述的火灾检测模型的训练方法,其特征在于,所述对所述图像数据标注样本进行数据预处理,以获得训练集图像样本的步骤,包括:
对所述图像数据标注样本进行数据增强,所述数据增强包括随机裁剪、随机亮度增强和图片随机融合中的一种或多种;
对数据增强后的图像数据样本进行归一化处理,以获得训练集图像样本。
13.一种火灾监控装置,其特征在于,所述火灾监控装置包括:
图片接收模块,用于获取图像采集终端采集的目标监控区域的图像数据;
检测模块,用于将所述图像数据输入训练获得的火灾检测模型中,以获得所述图像数据的火灾检测置信度;
决策模块,用于若所述火灾检测置信度满足第一预设条件,则在第一预设时间内,重复执行所述图片接收模块和检测模块的步骤,直到获得的所述火灾检测置信度满足第二预设条件,获得所述目标区域的火灾监控结果。
14.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行火灾监控和火灾检测模型的训练程序,所述火灾监控和火灾检测模型的训练程序被所述处理器执行时实现如权利要求1至10或权利要求11至12任一项所述的火灾监控方法或火灾检测模型的训练方法的步骤。
15.一种存储介质,其特征在于,所述存储介质上存储有火灾监控和火灾检测模型的训练程序,所述火灾监控和火灾检测模型的训练程序被处理器执行时实现如权利要求1至10或权利要求11至12任一项所述的火灾监控方法或火灾检测模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964367.0A CN112071016A (zh) | 2020-09-14 | 2020-09-14 | 火灾监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964367.0A CN112071016A (zh) | 2020-09-14 | 2020-09-14 | 火灾监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112071016A true CN112071016A (zh) | 2020-12-11 |
Family
ID=73695324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964367.0A Pending CN112071016A (zh) | 2020-09-14 | 2020-09-14 | 火灾监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112071016A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863108A (zh) * | 2021-01-05 | 2021-05-28 | 消防云(上海)科技有限公司 | 一种具有无线充电模块的火灾报警系统 |
CN113536918A (zh) * | 2021-06-10 | 2021-10-22 | 浙江大华技术股份有限公司 | 烟火检测方法、系统、电子装置和存储介质 |
CN114998843A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市海清视讯科技有限公司 | 火灾检测方法和相关设备 |
CN115862303A (zh) * | 2023-02-28 | 2023-03-28 | 北京蓝天多维科技有限公司 | 用于机车火灾监测系统的信息实时传输方法 |
CN116597595A (zh) * | 2023-06-30 | 2023-08-15 | 广州里工实业有限公司 | 一种工厂火灾监测调度系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373320A (zh) * | 2016-08-22 | 2017-02-01 | 中国人民解放军海军工程大学 | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 |
JP2019079445A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN110147758A (zh) * | 2019-05-17 | 2019-08-20 | 电子科技大学成都学院 | 一种基于深度学习的森林防火方法 |
CN110517441A (zh) * | 2019-09-26 | 2019-11-29 | 华南师范大学 | 基于深度学习框架嵌入式烟雾及火焰视频报警系统及方法 |
CN111145222A (zh) * | 2019-12-30 | 2020-05-12 | 浙江中创天成科技有限公司 | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 |
-
2020
- 2020-09-14 CN CN202010964367.0A patent/CN112071016A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373320A (zh) * | 2016-08-22 | 2017-02-01 | 中国人民解放军海军工程大学 | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 |
JP2019079445A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN110147758A (zh) * | 2019-05-17 | 2019-08-20 | 电子科技大学成都学院 | 一种基于深度学习的森林防火方法 |
CN110517441A (zh) * | 2019-09-26 | 2019-11-29 | 华南师范大学 | 基于深度学习框架嵌入式烟雾及火焰视频报警系统及方法 |
CN111145222A (zh) * | 2019-12-30 | 2020-05-12 | 浙江中创天成科技有限公司 | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863108A (zh) * | 2021-01-05 | 2021-05-28 | 消防云(上海)科技有限公司 | 一种具有无线充电模块的火灾报警系统 |
CN113536918A (zh) * | 2021-06-10 | 2021-10-22 | 浙江大华技术股份有限公司 | 烟火检测方法、系统、电子装置和存储介质 |
CN113536918B (zh) * | 2021-06-10 | 2024-04-16 | 浙江华感科技有限公司 | 烟火检测方法、系统、电子装置和存储介质 |
CN114998843A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市海清视讯科技有限公司 | 火灾检测方法和相关设备 |
CN115862303A (zh) * | 2023-02-28 | 2023-03-28 | 北京蓝天多维科技有限公司 | 用于机车火灾监测系统的信息实时传输方法 |
CN116597595A (zh) * | 2023-06-30 | 2023-08-15 | 广州里工实业有限公司 | 一种工厂火灾监测调度系统 |
CN116597595B (zh) * | 2023-06-30 | 2024-04-16 | 广州里工实业有限公司 | 一种工厂火灾监测调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944380B (zh) | 身份识别方法、装置及存储设备 | |
CN112071016A (zh) | 火灾监控方法、装置、设备及存储介质 | |
US10943091B2 (en) | Facial feature point tracking method, apparatus, storage medium, and device | |
US20210133468A1 (en) | Action Recognition Method, Electronic Device, and Storage Medium | |
US20160356666A1 (en) | Intelligent leakage detection system for pipelines | |
US10282970B2 (en) | Mobile device loss prevention | |
US20160356665A1 (en) | Pipeline monitoring systems and methods | |
CN103530562A (zh) | 一种恶意网站的识别方法和装置 | |
CN109947650B (zh) | 脚本步骤处理方法、装置和系统 | |
CN104994335A (zh) | 一种报警的方法及终端 | |
CN107659717B (zh) | 状态检测方法、装置和存储介质 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN109726121B (zh) | 一种验证码获取方法和终端设备 | |
CN112926059B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
KR102054930B1 (ko) | 영상 공유 방법 및 이를 위한 장치 | |
WO2017054307A1 (zh) | 用户信息的识别方法及装置 | |
CN110069407B (zh) | 一种应用程序的功能测试方法和装置 | |
CN112560020B (zh) | 威胁攻击检测方法、装置、终端设备以及存储介质 | |
CN109062648B (zh) | 信息处理方法、装置、移动终端及存储介质 | |
KR102124611B1 (ko) | 보안 정책 관리 방법 및 그 시스템 | |
CN106709330B (zh) | 记录文件执行行为的方法及装置 | |
CN116861198A (zh) | 数据处理方法、装置及存储介质 | |
CN115641360A (zh) | 基于人工智能的电池检测方法、装置和电子设备 | |
CN114549221A (zh) | 车辆事故损失处理方法、装置、计算机设备及存储介质 | |
CN108989350B (zh) | 一种检测拒绝服务漏洞的方法、装置及设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210429 Address after: Floor 4, gaoxinxin factory building, district 67, Xingdong community, Xin'an street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN JIMI IOT Co.,Ltd. Address before: Room 508, building 3, No.28, Qinglan street, Xiaoguwei street, Panyu District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Jimi Wulian Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |
|
RJ01 | Rejection of invention patent application after publication |