CN114120208A - 一种火焰检测方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种火焰检测方法、装置、设备和存储介质，该方法包括：将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息；根据所述类别信息确定火焰检测结果。上述技术方案，预先训练好的火焰检测模型可以根据待测视频确定待测图像，降低目标检测的数据量，还可以基于目标检测对待测图像进行分类，并根据分类结果确定火焰检测结果，提高了对于火焰的感知能力，进一步提高了火焰检测的性能，同时提高了火焰检测的实时性和可靠性。

Description

一种火焰检测方法、装置、设备和存储介质

技术领域

本发明实施例涉及目标检测技术，尤其涉及一种火焰检测方法、装置、设备和存储介质。

背景技术

火灾是给人民大众带来巨大损失的灾难，因此火焰检测是所有的安防系统的重要部分。传统的火焰检测主要基于温度、红外、烟雾等传感器，虽然这些方法成本低廉而且实施简单，但是不能够应用于所有的火灾情况，因为它们的检测范围有限而且不够智能。

近年来，随着监控摄像机的普及以及计算机视觉的发展，人们开始提出一些基于监控视频的火焰检测解决方案，具体可以基于目标检测算法对监控视频进行火焰安全检测。

但是现有的基于目标检测算法进行火焰检测的准确性较低，且检测速度也较低。在准确度和实时性上无法满足工业生产需求，难以投入到实际应用中。

发明内容

本发明提供一种火焰检测方法、装置、设备和存储介质，以基于监控视频在较短时间内实现较为准确的火焰检测。

第一方面，本发明实施例提供了一种火焰检测方法，包括：

将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

根据所述类别信息确定火焰检测结果。

本发明实施例提供一种火焰检测方法，包括：将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息；根据所述类别信息确定火焰检测结果。上述技术方案，预先训练好的火焰检测模型可以根据待测视频确定待测图像，降低目标检测的数据量，还可以基于目标检测对待测图像进行分类，并根据分类结果确定火焰检测结果，提高了对于火焰的感知能力，进一步提高了火焰检测的性能，同时提高了火焰检测的实时性和可靠性。

进一步地，所述火焰检测模型通过如下步骤得到：

基于公共图像集预训练预设网络模型得到预训练模型；

对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签；

将所述火焰图像集所包含的各所述火焰图像以及各所述火焰图像的真实标签作为训练数据对所述预训练模型进行网络训练，并计算损失函数；

基于反向传播算法进行网络优化，直至所述损失函数收敛，得到所述火焰检测模型。

进一步地，对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签，包括：

基于所述特征提取单元确定各所述火焰图像的特征信息；

通过所述Anchor-free单元生成所述特征信息对应的所述火焰图像的锚框；

采用所述SimOTA单元对所述锚框进行特征匹配，以确定所述锚框对应的所述火焰图像的真实标签。

进一步地，所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像；

基于所述Anchor-free单元确定所述待测图像的锚框，将所述锚框输入所述主体单元，以使得所述主体单元根据所述锚框确定所述待测图像的类别信息。

进一步地，所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果；

将所述分类结果为包含火焰的所述视频帧确定为所述待测图像。

进一步地，所述边缘检测算法包括动态阈值分割算法、均值滤波算法和阈值分割算法，相应地，所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果，包括：

基于所述动态阈值分割算法、所述均值滤波算法和所述阈值分割算法，分别确定各所述视频帧的灰度值；

对所述视频帧的各所述灰度值进行加权求和，确定所述视频帧的目标灰度值；

根据所述目标灰度值确定所述视频帧的所述分类结果。

进一步地，根据所述类别信息确定火焰检测结果，包括：

如果所述类别信息为所述待测图像包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置存在火焰；

如果所述类别信息为所述待测图像不包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置不存在火焰。

第二方面，本发明实施例还提供了一种火焰检测装置，包括：

执行模块，用于将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

确定模块，用于根据所述类别信息确定火焰检测结果。

第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的火焰检测方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的火焰检测方法。

第五方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如第一方面提供的火焰检测方法。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与火焰检测装置的处理器封装在一起的，也可以与火焰检测装置的处理器单独封装，本申请对此不做限定。

本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面、以及第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

在本申请中，上述火焰检测装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。

本申请的这些方面或其他方面在以下的描述中会更加简明易懂。

附图说明

图1为本发明实施例一提供的一种火焰检测方法的流程图；

图2为本发明实施例二提供的一种火焰检测方法的流程图；

图3为本发明实施例二提供的一种火焰检测方法中火焰检测模型的示意图；

图4为本发明实施例二提供的一种火焰检测方法中火焰检测模型的训练示意图；

图5为本发明实施例三提供的一种火焰检测装置的结构示意图；

图6为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选的还包括其他没有列出的步骤或单元，或可选的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。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作（或步骤）描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下， 本发明中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

近年来，人工智能相关产业不断发展，依托于大数据信息时代，深度学习方法不断被运用到各个领域，卷积神经网络的飞速发展推动了计算机视觉的不断进步，基于深度学习的目标检测技术已经在各个产业领域不断落地。深度学习模型包括一般目标检测和特定目标检测，目标检测器可以利用深度学习网络作为主干和检测网络，从输入图像或视频中提取特征然后进行分类和定位，以实现目标检测。现有的主流目标检测器通常可以分为两类，一类是两级检测器，例如Faster R-CNN；另一类是一级检测器，例如YOLO和SSD。一级检测器具有较高的推理速度，两级检测器具有较高的定位和目标识别精度。

对于火焰检测问题，可以在潜在的容易发生火灾的地点部署摄像头，以全天候智能监测的方式进行火焰安全检测，将火灾消灭在萌芽之中。

但是，火焰检测所需的实时性和准确性较高，现有的目标检测器不能满足火焰检测的需求，不能直接应用于火焰检测。

因此，本申请提出一种火焰检测方法，以实现高精度和高实时性的火焰检测。

下面，将结合各实施例对本申请所提出的火焰检测方法进行详细的描述。

实施例一

图1为本发明实施例一提供的一种火焰检测方法的流程图，本实施例可适用于基于监控视频实现快速且精确的火焰检测的情况，该方法可以由火焰检测装置来执行，如图1所示，具体包括如下步骤：

步骤110、将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息。

其中，火焰检测模型可以包括筛选模块和检测模块，检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元。

筛选模块可以基于传统的视频帧筛选方法对待测视频所包含的视频帧进行筛选，以根据待测视频确定待测图像；检测模块可以基于深度学习的目标检测算法对待测图像进行分类，以确定待测图像的类别信息。

具体地，首先可以从容易发生火灾的设施地点的摄像头获取监控视频，并将该监控视频确定为待测视频，然后将待测视频作为输入信息输入火焰检测模型。火焰检测模型首先可以基于筛选模块对待测视频所包含的各视频帧进行筛选，将可能包含火焰的视频帧确定为待测图像；然后将待测图像输入检测模块中，检测模块可以对待测图像进行分类，以实现对待测图像的分类和定位。当然，火焰检测模型的输出信息可以为待测图像的类别信息，火焰检测模型实现了对待测视频的火焰检测。

火焰检测模型首先基于筛选模块对待测视频的各视频帧进行了筛选，然后将通过筛选得到的待测图像输入检测模块，实现了对视频帧的过滤，将可能存在火焰的视频帧全部筛查，降低了输入检测模块的数据量，进一步提高了火焰检测的检测效率。检测模块可以基于特征提取单元、Anchor-free单元和主体单元对输入的待测图像进行火焰检测，得到待测视频对应的火焰检测结果。

在实际应用中，可以基于检测模块所包含的特征提取单元、Anchor-free单元和SimOTA单元对预训练模型进行模型优化，得到火焰检测模型。

本发明实施例中，预先训练好的火焰检测模型可以将传统的视频帧筛选方法与深度学习的目标检测方法进行结合，在对视频帧进行目标检测之前，先用传统方法对待测视频所包含的视频帧进行视频帧过滤，将可能存在火焰的视频帧全部筛查，并将可能存在火焰的视频帧确定为待测图像，降低火焰检测的数据量，提升火焰检测的检测效率。当然，还可以继续对待测图像进行目标检测，得到待测视频对应的火焰检测结果，提升了火焰检测的实时性和准确性。

步骤120、根据所述类别信息确定火焰检测结果。

其中，类别信息可以包括待测图像包含火焰以及待测图像不包含火焰。

具体地，如果类别信息为待测图像包含火焰，则可以确定火焰检测结果为获取到待测视频的图像获取装置的所处位置存在火焰；如果类别信息为待测图像不包含火焰，则确定火焰检测结果为获取到待测视频的图像获取装置的所处位置不存在火焰。

本发明实施例中，根据火焰检测模型确定的待测图像的类别信息可以确定待测图像的火焰检测结果，进而可以确定待测图像所属待测视频的火焰检测结果，当然，还可以确定获取待测视频的图像获取装置所处位置的火焰检测结果，以实现对易发生火灾位置的监控，降低火灾发生的概率。

本发明实施例一提供的一种火焰检测方法，包括：将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息；根据所述类别信息确定火焰检测结果。上述技术方案，预先训练好的火焰检测模型可以根据待测视频确定待测图像，降低目标检测的数据量，还可以基于目标检测对待测图像进行分类，并根据分类结果确定火焰检测结果，提高了对于火焰的感知能力，进一步提高了火焰检测的性能，同时提高了火焰检测的实时性和可靠性。

实施例二

图2为本发明实施例二提供的一种火焰检测方法的流程图，本实施例是在上述实施例的基础上进行具体化。如图2所示，在本实施例中，该方法还可以包括：

步骤210、基于公共图像集预训练预设网络模型得到预训练模型。

其中，公共图像集可以为Image Net数据集，包含多种图像以及各图像对应的图像类别。

具体地，可以在公共图像集上预训练预设网络模型得到预训练模型，在实际应用中，可以在Image Net数据集上预训练预设网络模型，得到预训练模型。

当然，由于Image Net数据集中火焰图像较少，因此，经过Image Net数据集预训练预设网络模型得到的预训练模型对于火焰检测的精确度较低，需要进一步将预选连模型进行迁移，在火焰图像集中进行再一次训练。

一种实施方式中，在训练预设网络模型得到预训练模型的同时，可以确定第一参数，该第一参数可以用于确定火焰检测模型。

在对预训练模型进行迁移时，可以冻结第一参数，并对预训练模型的其他参数重新训练。冻结的第一参数可以用于确定火焰检测模型。当然，对于第一参数的选取，可以根据实际需求进行确定，在此不做具体限定。

本发明实施例中，由于火焰图像的样本较少，首先可以在Image Net数据集上对预设网络模型进行预训练，以得到预训练模型，解决了训练集较少导致的火焰检测模型难以进行准确训练的问题。

步骤220、对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签。

具体地，首先，可以通过特征提取网络提取火焰图像集所包含各火焰图像的图像特征；其次，可以基于自由锚框Anchor-free机制快速生成各图像特征对应的各火焰图像的锚框，并将锚框用于模型训练，同时减少模型的参数量；进而，可以基于样本高效匹配SimOTA方案对锚框和标签进行特征匹配。此处的标签可以为真实标签，即火焰。

需要说明的是，Anchor-free机制相比于基于锚框的模型显著减少了需要启发式调整的设计参数的数量和涉及的许多技巧(例如，锚定群集、网格敏感)。使得火焰检测模型的训练和解码阶段变得相当简单。SimOTA方案自动为火焰目标设定不同的正样本数量，提高了火焰检测的效率。通过代价矩阵自适应的找到当前特征点应该去拟合的火焰真实框，重合度越高越需要拟合，分类越准越需要拟合，在一定半径内越需要拟合。

图3为本发明实施例二提供的一种火焰检测方法中火焰检测模型的示意图，如图3所示，一种实施方式中，所述火焰检测模型包括检测模块，所述检测模块包括：特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元，相应地，步骤220具体包括：

基于所述特征提取单元确定各所述火焰图像的特征信息；通过所述Anchor-free单元生成所述特征信息对应的所述火焰图像的锚框；采用所述SimOTA单元对所述锚框进行特征匹配，以确定所述锚框对应的所述火焰图像的真实标签。

图4为本发明实施例二提供的一种火焰检测方法中火焰检测模型的训练示意图，如图4所示，首先，可以通过特征提取单元确定火焰图像集所包含各火焰图像的特征信息；其次，可以通过Anchor-free单元快速生成特征信息对应的火焰图像的锚框；进而，可以采用SimOTA单元对锚框进行特征匹配，以确定锚框对应的火焰图像的真实标签。此处的真实标签可以火焰。

需要说明的是，YOLOX网络为了达到最优的检测性能，需要在训练前进行聚类分析，确定一组最优的anchors 。那些聚集的锚点是特定于域的并且不太普遍，而且增加了检测头的复杂性，以及每个图像的预测数量。在某些边缘 AI 系统上，在设备之间（例如，从NPU 到 CPU）移动如此大量的预测可能会成为整体延迟方面的潜在瓶颈。因此，可以采用Anchor-free单元确定锚框。在实际应用中，将 YOLO 网络切换为 Anchor-free单元的方式非常简单，可以将每个位置的预测从 3 减少到 1，并使它们直接预测四个值，即网格左上角的两个偏移量，以及预测框的高度和宽度。将每个对象的中心位置分配为正样本，并预先定义一个刻度范围，以指定每个对象的 FPN 级别。Anchor-free单元的应用减少了火焰检测模型的参数和计算力，但获得了更好的性能。

还需要说明的是，SimOTA单元首先可以计算锚框和真实标签的成对匹配度，由每个预测-groundtruth对的损失表示。例如，在SimOTA 单元中，groundtruth和预测之间的损失

。其中，λ为平衡系数，

为类别损失，

为回归损失。对于真实标签，可以选择固定中心区域内损失最低的 k 个预测作为其正样本。最后，这些正预测的相应网格被指定为正值，而其余的网格是负值。在实际应用中，正样本数量的确定可以根据groundtruth确定，在此不做具体限定。SimOTA 单元不仅减少了火焰检测模型的训练时间，而且避免了额外的超参数求解。SimOTA单元将火焰检测模型的平均精准度（AveragePrecision，AP）从 45.0% 提升到 47.3%，进一步提升了火焰检测模型的准确性。

本发明实施例中，在对火焰检测模型进行训练的过程中，通过Anchor-free单元解决基于锚框机制所产生的大量冗余参数问题，提高模型训练效率；采用SimOTA单元缓解极端长宽比的物体的检测效果差的问题，以及极端大小目标正样本不均衡的问题，同时缓解旋转物体检测效果不好的问题，进一步提高模型训练效率。

步骤230、将所述火焰图像集所包含的各所述火焰图像以及各所述火焰图像的真实标签作为训练数据对所述预训练模型进行网络训练，并计算损失函数。

具体地，在将火焰图像集所包含的各火焰图像作为输入信息输入预训练模型后，预训练模型可以进行目标的回归和识别，以确定火焰图像的训练类别，比较预训练模型确定的训练类别和真实标签确定的真实类别，并根据各比较结果计算损失函数。

在实际应用中，损失函数可以根据实际需求进行选取，在此不做具体限定。

步骤240、基于反向传播算法进行网络优化，直至所述损失函数收敛，得到所述火焰检测模型。

具体地，在模型训练过程中，可以基于反向传播算法进行网络优化，直至损失函数收敛。损失函数收敛，表明预训练模型训练完成，进而可以将损失函数收敛的预训练模型确定为火焰检测模型。

基于反向传播算法进行网络优化，在损失函数收敛时，确定第二参数，该第二参数也可以用于确定火焰检测模型。进而，可以根据前述确定预训练模型时确定的第一参数，以及损失函数收敛时确定的第二参数，可以确定火焰检测模型。

本发明实施例中，针对火焰图像较少的问题，首先在Image Net数据集训练预设网络模型得到预训练模型，再引入迁移学习技术，将预训练模型进行迁移，迁移的同时冻结部分参数。在火焰图像集上对预训练模型重新训练得到火焰检测模型。为了加快产品落地速度，可以采用SimOTA单元确定火焰图像集所包含各火焰图像的真实标签，以在更短的时间内完成火焰检测模型的训练。在模型优化方面，现有目标检测算法，大部分都是基于锚框的机制，这样的设计就需要大量的参数，需要手动设定的参数包括：尺度和长宽比。而针对不同检测目标，参数中的尺度和长宽比比较难设计。采用Anchor-free单元确定锚框，可以很大程度上避免以上问题，可以提供更大更灵活的解空间，并且摆脱了使用锚框而带来的计算量，进一步提升模型训练的精度。

步骤250、将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息。

如图3所示，一种实施方式中，所述火焰检测模型还包括筛选模块，所述检测模块还包括主体单元，相应地，所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像；基于所述Anchor-free单元确定所述待测图像的锚框，将所述锚框输入所述主体单元，以使得所述主体单元根据所述锚框确定所述待测图像的类别信息。

其中，主体单元可以为YOLOX的主体检测网络。

具体地，筛选模块可以基于更加快速的传统方法对待测视频所包含的视频帧进行大量筛选，将可能存在火焰的图像确定为待测图像。进而可以基于检测模块所包含的特征提取单元确定待测图像的特征信息，并基于检测模块所包含的Anchor-free单元确定特征信息对应的待测图像的锚框。当然，可以将锚框输入主体检测网络，主体检测网络可以进行目标的回归和识别，以确定待测图像的类别信息。

一种实施方式中，所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果；将所述分类结果为包含火焰的所述视频帧确定为所述待测图像。

一种实施方式中，所述边缘检测算法包括动态阈值分割算法、均值滤波算法和阈值分割算法，相应地，所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果，包括：

基于所述动态阈值分割算法、所述均值滤波算法和所述阈值分割算法，分别确定各所述视频帧的灰度值；对所述视频帧的各所述灰度值进行加权求和，确定所述视频帧的目标灰度值；根据所述目标灰度值确定所述视频帧的所述分类结果。

本发明实施例中，火焰检测模型可以将传统的视频帧筛选方法与深度学习的目标检测方法进行结合，在对视频帧进行目标检测之前，先用传统方法对待测视频所包含的视频帧进行视频帧过滤，具体可以基于边缘检测算法对视频帧进行图像分类，并将分类结果为可能存在火焰的视频帧全部筛查，进而将可能存在火焰的视频帧确定为待测图像，降低火焰检测的数据量，提升火焰检测的检测效率。当然，还可以继续对待测图像进行目标检测，得到待测视频对应的火焰检测结果，提升了火焰检测的实时性和准确性。

步骤260、根据所述类别信息确定火焰检测结果。

一种实施方式中，步骤260具体可以包括：

如果所述类别信息为所述待测图像包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置存在火焰；如果所述类别信息为所述待测图像不包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置不存在火焰。

本发明实施例中，根据火焰检测模型确定的待测图像的类别信息可以确定待测图像的火焰检测结果，进而可以确定待测图像所属待测视频的火焰检测结果，当然，还可以确定获取待测视频的图像获取装置所处位置的火焰检测结果，以实现对易发生火灾位置的监控，降低火灾发生的概率。

本发明实施例二提供的一种火焰检测方法，包括：基于公共图像集预训练预设网络模型得到预训练模型；对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签；将所述火焰图像集所包含的各所述火焰图像以及各所述火焰图像的真实标签作为训练数据对所述预训练模型进行网络训练，并计算损失函数；基于反向传播算法进行网络优化，直至所述损失函数收敛，得到所述火焰检测模型；将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息；根据所述类别信息确定火焰检测结果。上述技术方案，首先在Image Net数据集训练预设网络模型得到预训练模型，再引入迁移学习技术，将预训练模型进行迁移，在火焰图像集上对预训练模型重新训练得到火焰检测模型。具体可以采用SimOTA单元确定火焰图像集所包含各火焰图像的真实标签，以在更短的时间内完成火焰检测模型的训练。采用Anchor-free单元确定锚框，可以提供更大更灵活的解空间，并且摆脱了使用锚框而带来的计算量，进一步提升模型训练的精度。当然，训练好的火焰检测模型可以将传统的视频帧筛选方法与深度学习的目标检测方法进行结合，在对视频帧进行目标检测之前，先用传统方法对待测视频所包含的视频帧进行视频帧过滤，将可能存在火焰的视频帧确定为待测图像，降低火焰检测的数据量，提升火焰检测的检测效率。提高了对于火焰的感知能力，进一步提高了火焰检测的性能，同时提高了火焰检测的实时性和可靠性。

实施例三

图5为本发明实施例三提供的一种火焰检测装置的结构示意图，该装置可以适用于基于监控视频实现快速且精确的火焰检测的情况，提高火焰检测的实时性和准确性。该装置可以通过软件和/或硬件实现，并一般集成在计算机设备中。

如图5所示，该装置包括：

执行模块510，用于将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

确定模块520，用于根据所述类别信息确定火焰检测结果。

本实施例提供的火焰检测装置，通过将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息；根据所述类别信息确定火焰检测结果。上述技术方案，上述技术方案，预先训练好的火焰检测模型可以根据待测视频确定待测图像，降低目标检测的数据量，还可以基于目标检测对待测图像进行分类，并根据分类结果确定火焰检测结果，提高了对于火焰的感知能力，进一步提高了火焰检测的性能，同时提高了火焰检测的实时性和可靠性。

在上述实施例的基础上，所述火焰检测模型通过如下步骤得到：

基于公共图像集预训练预设网络模型得到预训练模型；

对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签；

将所述火焰图像集所包含的各所述火焰图像以及各所述火焰图像的真实标签作为训练数据对所述预训练模型进行网络训练，并计算损失函数；

基于反向传播算法进行网络优化，直至所述损失函数收敛，得到所述火焰检测模型。

在上述实施例的基础上，对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签，包括：

基于所述特征提取单元确定各所述火焰图像的特征信息；

通过所述Anchor-free单元生成所述特征信息对应的所述火焰图像的锚框；

采用所述SimOTA单元对所述锚框进行特征匹配，以确定所述锚框对应的所述火焰图像的真实标签。

在上述实施例的基础上，所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像；

基于所述Anchor-free单元确定所述待测图像的锚框，将所述锚框输入所述主体单元，以使得所述主体单元根据所述锚框确定所述待测图像的类别信息。

在上述实施例的基础上，所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果；

将所述分类结果为包含火焰的所述视频帧确定为所述待测图像。

在上述实施例的基础上，所述边缘检测算法包括动态阈值分割算法、均值滤波算法和阈值分割算法，相应地，所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果，包括：

基于所述动态阈值分割算法、所述均值滤波算法和所述阈值分割算法，分别确定各所述视频帧的灰度值；

对所述视频帧的各所述灰度值进行加权求和，确定所述视频帧的目标灰度值；

根据所述目标灰度值确定所述视频帧的所述分类结果。

在上述实施例的基础上，确定模块520，具体用于：

如果所述类别信息为所述待测图像包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置存在火焰；

如果所述类别信息为所述待测图像不包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置不存在火焰。

本发明实施例所提供的火焰检测装置可执行本发明任意实施例所提供的火焰检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图6为本发明实施例四提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备6的框图。图6显示的计算机设备6仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机设备6以通用计算设备的形式表现。计算机设备6的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。

计算机设备6典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备6访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）30和/或高速缓存存储器32。计算机设备6可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图6未显示，通常称为“硬盘驱动器”）。尽管图6中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM, DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备6也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该计算机设备6交互的设备通信，和/或与使得该计算机设备6能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，计算机设备6还可以通过网络适配器20与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图6所示，网络适配器20通过总线18与计算机设备6的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备6使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及页面显示，例如实现本发实施例所提供的火焰检测方法，该方法包括：

将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

根据所述类别信息确定火焰检测结果。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的火焰检测方法的技术方案。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现例如本发实施例所提供的火焰检测方法，该方法包括：

将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

根据所述类别信息确定火焰检测结果。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

本领域普通技术人员应该明白，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，他们可以用计算机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的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种火焰检测方法，其特征在于，包括：

将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

根据所述类别信息确定火焰检测结果。

2.根据权利要求1所述的火焰检测方法，其特征在于，所述火焰检测模型通过如下步骤得到：

基于公共图像集预训练预设网络模型得到预训练模型；

对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签；

将所述火焰图像集所包含的各所述火焰图像以及各所述火焰图像的真实标签作为训练数据对所述预训练模型进行网络训练，并计算损失函数；

基于反向传播算法进行网络优化，直至所述损失函数收敛，得到所述火焰检测模型。

3.根据权利要求2所述的火焰检测方法，其特征在于，对火焰图像集所包含的多个火焰图像进行特征匹配，确定各所述火焰图像的真实标签，包括：

基于所述特征提取单元确定各所述火焰图像的特征信息；

通过所述Anchor-free单元生成所述特征信息对应的所述火焰图像的锚框；

采用所述SimOTA单元对所述锚框进行特征匹配，以确定所述锚框对应的所述火焰图像的真实标签。

4.根据权利要求3所述的火焰检测方法，其特征在于，所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像；

基于所述Anchor-free单元确定所述待测图像的锚框，将所述锚框输入所述主体单元，以使得所述主体单元根据所述锚框确定所述待测图像的类别信息。

5.根据权利要求4所述的火焰检测方法，其特征在于，所述筛选模块基于边缘检测算法对所述待测视频所包含的各视频帧进行筛选，得到所述待测图像，包括：

所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果；

将所述分类结果为包含火焰的所述视频帧确定为所述待测图像。

6.根据权利要求5所述的火焰检测方法，其特征在于，所述边缘检测算法包括动态阈值分割算法、均值滤波算法和阈值分割算法，相应地，所述筛选模块基于边缘检测算法对所述待测视频所包含的各所述视频帧进行图像分类，得到分类结果，包括：

基于所述动态阈值分割算法、所述均值滤波算法和所述阈值分割算法，分别确定各所述视频帧的灰度值；

对所述视频帧的各所述灰度值进行加权求和，确定所述视频帧的目标灰度值；

根据所述目标灰度值确定所述视频帧的所述分类结果。

7.根据权利要求1所述的火焰检测方法，其特征在于，根据所述类别信息确定火焰检测结果，包括：

如果所述类别信息为所述待测图像包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置存在火焰；

如果所述类别信息为所述待测图像不包含火焰，则确定所述火焰检测结果为获取到所述待测视频的图像获取装置的所处位置不存在火焰。

8.一种火焰检测装置，其特征在于，包括：

执行模块，用于将待测视频输入预先训练好的火焰检测模型，以使所述火焰检测模型根据所述待测视频确定待测图像，并对所述待测图像进行分类，得到的输出结果为所述待测图像的类别信息，其中，所述火焰检测模型包括检测模块和筛选模块，所述检测模块包括：主体单元、特征提取单元、自由锚框Anchor-free单元和样本高效匹配SimOTA单元；

确定模块，用于根据所述类别信息确定火焰检测结果。

9.一种计算机设备，其特征在于，所述设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的火焰检测方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的火焰检测方法。

Images