CN112699963A - 一种火灾检测方法 - Google Patents
一种火灾检测方法 Download PDFInfo
- Publication number
- CN112699963A CN112699963A CN202110041008.2A CN202110041008A CN112699963A CN 112699963 A CN112699963 A CN 112699963A CN 202110041008 A CN202110041008 A CN 202110041008A CN 112699963 A CN112699963 A CN 112699963A
- Authority
- CN
- China
- Prior art keywords
- fire detection
- data set
- detection method
- historical data
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Fire Alarms (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明属于火灾检测技术领域，具体公开一种火灾检测方法，包括如下步骤：S1：获取历史数据集；S2：根据历史数据集，建立火灾检测模型；S3：获取现场图像；S4：将现场图像输入火灾检测模型，得到火灾检测结果。本发明解决了现有技术存在的前期成本投入高、环境适应性低以及准确性低的问题。
Description
技术领域
本发明属于火灾检测技术领域，具体涉及一种火灾检测方法。
背景技术
火灾和洪水、地震一样是对人类生命的巨大威胁。火灾比地震、洪水等突发事件更为常见，对公众安全和健康造成的威胁频率也更高。因此，如何对火灾进行及时的检测并发出报警信号成为研究重点。
传统的火灾探测系统采用硬件设备组成，会存在以下缺点：
1)实现火灾探测系统需要不同的基础设施和系统，前期成本投入高；
2)传感器容易受高温导致损坏，环境适应性低，通常不可能在有明火技术的工业环境中使用；
3)传感器对环境非常敏感，对恶略天气会产生大的误差，准确性低。
发明内容
本发明旨在于至少在一定程度上解决上述技术问题之一。
为此，本发明目的在于提供一种火灾检测方法，用于解决现有技术存在的前期成本投入高、环境适应性低以及准确性低的问题。
本发明所采用的技术方案为：
一种火灾检测方法，包括如下步骤：
S1：获取历史数据集；
S2：根据历史数据集，建立火灾检测模型；
S3：获取现场图像；
S4：将现场图像输入火灾检测模型，得到火灾检测结果。
进一步地，步骤S1和步骤S2之间还包括步骤S1.5：对获取的历史数据集进行预处理。
进一步地，预处理包括依次进行的灰度处理、平滑处理降噪处理以及归一化处理。
进一步地，步骤S2的具体方法为：根据历史数据集，基于神经网络建立火灾检测模型。
进一步地，步骤S2的具体步骤为：
S2-1：将历史数据集划分为训练数据集和测试数据集；
S2-2：根据训练数据集，基于神经网络进行训练，得到初始的火灾检测模型；
S2-3：将测试数据集输入初始的火灾检测模型进行优化，得到并输出最优的火灾检测模型。
进一步地，步骤S2-1中，将历史数据集的70％数据图像划分为训练数据集，将历史数据集的30％数据图像划分为测试数据集。
进一步地，神经网络包括并列设置的VGG16卷积神经网络和MobileNet卷积神经网络。
进一步地，VGG16包括13个卷积层和3个全连接层。
进一步地，MobileNet包括依次连接的卷积层、平均池化层、平滑层以及全连接层。
进一步地，步骤S3的具体方法为：获取现场视频，对现场视频进行单帧截取，得到现场图像，并对现场图像进行预处理。
本发明的有益效果为：
本发明采用计算机视觉和神经网络技术对火灾进行检测，避免了建设传统的火灾探测系统，减少了前期成本投入，并且避免了传感器受环境情况影响，提高了环境适应性，通过对卷积神经网络CNN的VGG16和MobileNet两种深度学习模型的迁移学习提高了火灾检测的准确性。
本发明的其他有益效果将在具体实施方式中进行详细说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是火灾检测方法流程图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本发明阐述的实施例中。
应当理解，本发明使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例1
如图1所示，本实施例提供一种火灾检测方法，包括如下步骤：
S1：获取历史数据集；
S1.5：对获取的历史数据集进行预处理；
预处理包括依次进行的灰度处理、平滑处理降噪处理以及归一化处理；
历史数据集包括大量的不含火焰图片和包含火焰图片；
S2：根据预处理后的历史数据集，建立火灾检测模型，具体方法为：根据历史数据集，基于神经网络建立火灾检测模型；
具体步骤为：
S2-1：将预处理后的历史数据集划分为训练数据集和测试数据集；
将历史数据集的70％数据图像划分为训练数据集，将历史数据集的30％数据图像划分为测试数据集；
S2-2：根据训练数据集，基于神经网络进行训练，得到初始的火灾检测模型，采用计算机视觉和神经网络技术对火灾进行检测，避免了建设传统的火灾探测系统，减少了前期成本投入，并且避免了传感器受环境情况影响，提高了环境适应性；
神经网络包括并列设置的VGG16卷积神经网络和MobileNet卷积神经网络；
VGG16包括13个卷积层和3个全连接层，工作过程为第一次对输入的样本数据经过64个卷积核的两次卷积后，采用一次降维pooling，第二次经过两次128个卷积核卷积后，再采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接；
MobileNet是基于深度可分解卷积，是一种轻量级的模型包括依次连接的卷积层、平均池化层、平滑层以及全连接层，深度卷积意味着它对每个颜色通道执行一个卷积，而不是使其平滑，深度卷积不同于空间可分解卷积，不能考虑为2个或更小的内核大小，这些神经网络模型的创建是通过带有激活函数和最大池化层的不同通道的卷积层来实现的，最终的火灾检测模型是通过添加全连接层来创建的；
通过对CNN的VGG16和MobileNet两种深度学习模型的迁移学习来提高火灾检测的准确性；
S2-3：将测试数据集输入初始的火灾检测模型进行优化，得到并输出最优的火灾检测模型；
S3：获取现场图像，具体方法为：获取现场视频，对现场视频进行单帧截取，得到现场图像，并对现场图像进行预处理；
预处理包括依次进行的灰度处理、平滑处理降噪处理以及归一化处理；
S4：将预处理后的现场图像输入火灾检测模型，得到火灾检测结果。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上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。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种火灾检测方法，其特征在于：包括如下步骤：
S1：获取历史数据集；
S2：根据历史数据集，建立火灾检测模型；
S3：获取现场图像；
S4：将现场图像输入火灾检测模型，得到火灾检测结果。
2.根据权利要求1所述的一种火灾检测方法，其特征在于：所述的步骤S1和步骤S2之间还包括步骤S1.5：对获取的历史数据集进行预处理。
3.根据权利要求2所述的一种火灾检测方法，其特征在于：所述的预处理包括依次进行的灰度处理、平滑处理降噪处理以及归一化处理。
4.根据权利要求1所述的一种火灾检测方法，其特征在于：所述的步骤S2的具体方法为：根据历史数据集，基于神经网络建立火灾检测模型。
5.根据权利要求4所述的一种火灾检测方法，其特征在于：所述的步骤S2的具体步骤为：
S2-1：将历史数据集划分为训练数据集和测试数据集；
S2-2：根据训练数据集，基于神经网络进行训练，得到初始的火灾检测模型；
S2-3：将测试数据集输入初始的火灾检测模型进行优化，得到并输出最优的火灾检测模型。
6.根据权利要求5所述的一种火灾检测方法，其特征在于：所述的步骤S2-1中，将历史数据集的70％数据图像划分为训练数据集，将历史数据集的30％数据图像划分为测试数据集。
7.根据权利要求5所述的一种火灾检测方法，其特征在于：所述的神经网络包括并列设置的VGG16卷积神经网络和MobileNet卷积神经网络。
8.根据权利要求7所述的一种火灾检测方法，其特征在于：所述的VGG16包括13个卷积层和3个全连接层。
9.根据权利要求7所述的一种火灾检测方法，其特征在于：所述的MobileNet包括依次连接的卷积层、平均池化层、平滑层以及全连接层。
10.根据权利要求1所述的一种火灾检测方法，其特征在于：所述的步骤S3的具体方法为：获取现场视频，对现场视频进行单帧截取，得到现场图像，并对现场图像进行预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110041008.2A CN112699963A (zh) | 2021-01-13 | 2021-01-13 | 一种火灾检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110041008.2A CN112699963A (zh) | 2021-01-13 | 2021-01-13 | 一种火灾检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112699963A true CN112699963A (zh) | 2021-04-23 |
Family
ID=75514305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110041008.2A Pending CN112699963A (zh) | 2021-01-13 | 2021-01-13 | 一种火灾检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699963A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
| CN115147715A (zh) * | 2022-04-14 | 2022-10-04 | 山东浪潮科学研究院有限公司 | 一种基于TinyML的火灾检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109858516A (zh) * | 2018-12-24 | 2019-06-07 | 武汉工程大学 | 一种基于迁移学习的火灾和烟雾预测方法、系统和介质 |
| CN111178275A (zh) * | 2019-12-30 | 2020-05-19 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的火灾检测方法 |
-
2021
- 2021-01-13 CN CN202110041008.2A patent/CN112699963A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109858516A (zh) * | 2018-12-24 | 2019-06-07 | 武汉工程大学 | 一种基于迁移学习的火灾和烟雾预测方法、系统和介质 |
| CN111178275A (zh) * | 2019-12-30 | 2020-05-19 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的火灾检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐梓涵 等: "一种基于MobileNet的火灾烟雾检测方法", 武汉工程大学学报, vol. 41, no. 6, 15 December 2019 (2019-12-15), pages 580 - 585 * |
| 陈芳 等: "一种基于CNN迁移学习的井下烟、火智能感知预警系统", 河南科学, vol. 38, no. 3, 15 March 2020 (2020-03-15), pages 363 - 369 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
| CN115147715A (zh) * | 2022-04-14 | 2022-10-04 | 山东浪潮科学研究院有限公司 | 一种基于TinyML的火灾检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102097294B1 (ko) | 화염 판단을 위한 신경망 모델의 학습 및 검출 방법, 및 이를 수행하는 장치 | |
| US7529721B2 (en) | Efficient processing in an auto-adaptive network | |
| CN112699963A (zh) | 一种火灾检测方法 | |
| CN105574669B (zh) | 时空联合数据聚类分析的输变电设备状态异常检测方法 | |
| CN113408671B (zh) | 一种对象识别方法及装置、芯片及电子设备 | |
| CN113763327B (zh) | 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 | |
| CN112907522A (zh) | 一种智能红外气体泄漏监测装置及监测方法 | |
| CN111767826B (zh) | 一种定时定点场景异常检测方法 | |
| CN108305250A (zh) | 非结构化机器人视觉检测机械零件的同步识别与定位方法 | |
| CN110148139A (zh) | 一种图像恢复方法及装置 | |
| KR20220167824A (ko) | 인공지능 기반의 노이즈 제거에 따른 이미지 구축을 통한 불량 검출 시스템 및 방법 | |
| CN111340116A (zh) | 一种转炉火焰识别方法、系统、电子设备及介质 | |
| Wu et al. | Minimum entropy restoration of star field images | |
| CN110298384B (zh) | 对抗样本图像生成方法和装置 | |
| Huang et al. | Frequency Hoyer attention based convolutional neural network for remaining useful life prediction of machinery | |
| CN110263842A (zh) | 用于目标检测的神经网络训练方法、装置、设备、介质 | |
| Choi et al. | Deep‐learning‐based nuclear power plant fault detection using remote light‐emitting diode array data transmission | |
| Lin et al. | Computer-aided vision system for MURA-type defect inspection in liquid crystal displays | |
| CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
| CN109191440A (zh) | 玻璃气泡检测与计数方法 | |
| Singh et al. | Real‐Time Implementation of Change Detection for Automated Video Surveillance System | |
| CN114004313A (zh) | 故障gpu的预测方法、装置、电子设备及存储介质 | |
| CN114387170A (zh) | 一种改善修补区域边缘不连贯现象的图像修补方法 | |
| CN115170456A (zh) | 检测方法及相关设备 | |
| Balcı et al. | Average weakly hyperedge domination number for a hypergraph and actor-network application |
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 |