CN114612755A - 一种火灾检测方法、系统、电子设备和可读存储介质 - Google Patents
一种火灾检测方法、系统、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN114612755A CN114612755A CN202210162383.7A CN202210162383A CN114612755A CN 114612755 A CN114612755 A CN 114612755A CN 202210162383 A CN202210162383 A CN 202210162383A CN 114612755 A CN114612755 A CN 114612755A
- Authority
- CN
- China
- Prior art keywords
- deep
- module
- image
- detected
- deep feature
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本申请涉及一种火灾检测方法、系统、电子设备和可读存储介质,属于计算机视觉技术领域。该方法包括获取待检测图像;对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。本申请可以高效率地检测出待检测图像中是否有火灾,以及火灾的位置信息,和人工监测火灾相比,本申请的准确性高、及时性强、人力成本更少,利用待检测图像的深层特征图进行评判,更够更好地利用待检测图像所包含的信息,使得检测过程更加智能化。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种火灾检测方法、系统、电子设备和可读存储介质。
背景技术
目前,我国的森林面积在逐年增加,但是随之而来的是大量的森林火灾,每年的火灾事故不仅造成了高额的经济损失,还造成了大量的人员伤亡,如果可以及时检测到森林火灾的发生初期,便可以避免安全事故的发生,从而减少经济损失,降低人力成本。
森林火灾的常见预警方式为基于烟雾传感器或者红外传感器实现的,两者均易引起误触发的情况,响应也比较慢。随着深度学习技术的发展,基于深度学习的目标检测技术得到了大量的研究,比如,可以通过卷积神经网络(Convolutional Neural Networks,CNN)对摄像头采集的图片进行目标检测。
但是,现有的基于深度学习的目标检测算法通常采用复杂的网络结构和大尺寸的图片作为输入以获得更好的检测性能,不仅拥有大量的参数量和计算量,在运行时还需要较多的存储空间与频繁的计算。
申请内容
本申请提供一种火灾检测方法、系统、电子设备和可读存储介质,所述技术方案如下:
第一方面,提供了一种火灾检测方法,该方法包括:
获取待检测图像;
对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;
根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。
本申请的一种火灾检测方法的有益效果如下:
通过本申请中的火灾检测方法,可以高效率地检测出待检测图像中是否有火灾,以及火灾的位置信息,和人工监测火灾相比,本申请的准确性高、及时性强、人力成本更少,利用待检测图像的深层特征图进行评判,更够更好地利用待检测图像所包含的信息,使得检测过程自动化与智能化的同时,也提升了检测结果的准确率,和传感器的检测相比,不容易受到环境的干扰,出现误判的可能性更少。
在上述方案的基础上,本申请的一种火灾检测方法还可以做如下改进。
进一步,所述对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故是通过预先训练好的火灾检测模型实现的,所述火灾检测模型包括特征提取网络和目标检测网络;
所述对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图,包括:
通过所述特征提取网络,对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;
所述根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故,包括:
通过所述目标检测网络,根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。
采用上述进一步方案的有益效果是:通过特征提取网络,得到待检测图像的多个不同尺度的深层特征图,通过深层特征图能够更好地表征待检测图像,提高目标检测即待检测图像的类别以及火灾位置信息判定的准确性,通过目标检测网络实现了火灾事故的自动检测,能够避免火灾事故的进一步发展,降低人力、物力的损失。
进一步,所述特征提取网络包括浅层特征提取模块和深层特征提取模块,所述通过所述特征提取网络,对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图,包括:
利用所述浅层特征提取模块提取所述待检测图像的浅层特征图;
利用所述深层特征提取模块提取所述浅层特征图对应的多个不同尺度的深层特征图;
其中,所述浅层特征提取模块包括卷积核大小为3×3、Stride参数为2、padding参数为1的卷积层、批量归一化层和激活函数。
采用上述进一步方案的有益效果是:通过浅层特征提取模块提取浅层特征图,在此基础上,通过深层特征提取模块提取浅层特征图对应的多个深层特征图,能够提取待检测图像更多的颜色和细节特征信息,进一步丰富了深层特征图所包含的特征信息,能够更好地表示待检测图像,进一步提高待检测图像的类别和火灾定位的准确性。
进一步,所述深层特征提取模块包括依次连接的七个深层特征提取子模块,所述利用所述深层特征提取模块提取所述浅层特征图对应的多个不同尺度的深层特征图,包括:
将所述浅层特征图输入第一个所述深层特征提取子模块,得到第一个所述深层特征提取子模块提取的深层特征图;
将第二个所述深层特征提取子模块作为当前子模块,重复执行以下步骤,直到所述当前子模块的下一个子模块是最后一个所述深层特征提取子模块,利用第三个所述深层特征提取子模块、第五个所述深层特征提取子模块和最后一个所述深层特征提取子模块的提取所述待检测图像的不同尺度的深层特征图;
所述以下步骤包括:
将所述当前子模块的上一个深层特征提取子模块输出的深层特征图作为所述当前子模块的输入,提取所述当前子模块输出的深层特征图。
采用上述进一步方案的有益效果是:通过依次连接的七个深层特征提取子模块,将当前子模块的上一个深层特征提取子模块输出的深层特征图作为当前子模块的输入,提取当前子模块输出的深层特征图,能够提取和保留待检测图像更多的深层细节信息,进一步丰富了深层特征图所包含的特征信息,能够更好地表示待检测图像,进一步提高待检测图像的类别和火灾定位的准确性。
进一步,每个所述深层特征提取子模块包括像素注意力模块、坐标注意力模块和后处理模块,所述将所述当前子模块的上一个深层特征提取子模块输出的深层特征图作为所述当前子模块的输入,提取所述当前子模块输出的深层特征图,包括:
利用所述像素注意力模块遍历所述当前子模块的输入特征图中的每个像素,提取出每个像素的颜色特征信息,并根据各个颜色特征信息生成所述当前子模块的颜色特征图,所述输入特征图为所述当前子模块的上一个深层特征提取子模块提取的深层特征图;
利用所述坐标注意力模块,提取所述当前子模块的颜色特征图中的每个像素的空间位置信息,并根据各个像素的空间位置信息生成所述当前子模块的空间位置特征图;
利用所述后处理模块,将所述空间位置特征图和所述当前子模块的输入特征图进行融合,得到所述当前子模块输出的深层特征图。
采用上述进一步方案的有益效果是:每个深层特征提取子模块,通过像素注意力模块和坐标注意力模块,提取到输入该深层提取子模块的输入特征图中每个像素的颜色信息和空间位置信息,通过后处理模块将所有像素的空间位置信息和当前子模块的输入特征图进行融合,得到该深层特征提取子模块输出的深层特征图,在该基础上,可以增强深层特征提取模块的深层特征图在目标检测网络中的表达能力,进一步提高目标检测的准确性。
进一步,第二个至最后一个所述深层特征提取子模块中的每个深层特征提取子模块还包括预处理卷积模块,利用所述预处理卷积模块增加所述当前子模块的输入通道,以补充所述当前子模块输出的深层特征图包含的信息;
其中,所述预处理卷积模块包括卷积核大小为1×1、Stride参数为1的卷积层和批量归一化层。
采用上述进一步方案的有益效果是:通过预处理卷积模块增加了当前子模块的输入通道,进一步补充了当前子模块输出的深层特征图包含的信息,有助于目标检测网络精准识别火灾事故并定位火灾事故在待检测图像中的位置。
进一步,所述待检测图像的多个不同尺度的深层特征图包括第三个所述深层特征提取子模块输出的深层特征图为八倍下采样的深层特征图,第五个所述深层特征提取子模块输出的深层特征图为十六倍下采样的深层特征图,第七个所述深层特征提取子模块输出的深层特征图为三十二倍下采样的深层特征图,
所述火灾检测模型还包括多尺度特征融合网络,所述多尺度特征融合网络包括基于特征金字塔搭建的第一通道和第二通道,所述第一通道和所述第二通道分别包括依次设置八倍下采样尺度、十六倍下采样尺度和三十二倍下采样尺度的子通道,所述第一通道的连接方向为自下向上,所述第二通道的连接方向为自上向下,将所述第一通道与所述第二通道中相同采样尺度的子通道横向连接;
所述方法还包括:
将所述八倍下采样的深层特征图、十六倍下采样的深层特征图和所述三十二倍下采样的深层特征图分别输入相同采样尺度的所述第一通道中,对于每个采样尺度的深层特征图,通过横向连接后的子通道对两个通道中相同采样尺度的深层特征图进行融合处理,得到相同采样尺度的融合特征图;
所述通过所述目标检测网络,根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,包括:
利用所述目标检测网络,根据每个采样尺度的深层特征图得到的相同采样尺度的融合特征图,确定所述待检测图像的类别。
采用上述进一步方案的有益效果是:通过多尺度特征融合网络将获取到的多个深层特征图按照一定的规则进行融合,得到多个不同采样尺度的融合特征图,通过第一通道、第二通道和横向连接后的子通道进一步增强了深层特征图的语义信息和空间位置信息,在目标检测网络中可以更准确地聚焦火灾区域,从而提高检测性能。
第二方面,提供了一种火灾检测系统,所述系统包括图像获取单元和火灾检测单元;
所述图像获取单元,用于获取待检测图像;
所述火灾检测单元,用于对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。
本申请的一种火灾检测系统的有益效果如下:
通过本申请中的火灾检测方法,可以高效率地检测出待检测图像中是否有火灾,以及火灾的位置信息,和人工监测火灾相比,本申请的准确性高、及时性强、人力成本更少,利用待检测图像的深层特征图进行评判,更够更好地利用待检测图像所包含的信息,使得检测过程自动化与智能化的同时,也提升了检测结果的准确率,和传感器的检测相比,不容易受到环境的干扰,出现误判的可能性更少。
第三方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现第一方面所述的方法。
第四方面,提供了一种可读存储介质,所述可读存储介质内存储有计算机程序,所述至少一条指令由处理器加载并执行以实现第一方面所述的方法。
附图说明
下面结合附图和实施例对本申请作进一步说明。
图1为本申请实施例的一种火灾检测方法的步骤示意图;
图2为本申请实施例的MCM子模块的结构示意图之一;
图3为本申请实施例的MCM子模块的结构示意图之二;
图4为本申请实施例的一种火灾检测方法的流程示意图;
图5为本申请实施例的一种火灾检测系统的结构示意图
图6为本申请实施例的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种火灾检测方法的步骤示意图。参见图1,该实施例包括:
步骤S1,获取待检测图像。
步骤S2,对待检测图像进行特征提取,得到多个不同尺度的深层特征图。
步骤S3,根据多个深层特征图,确定待检测图像的类别和火灾事故在待检测图像中的位置,类别包括存在火灾事故或不存在火灾事故。
可选的,还包括步骤S10,对待检测图像进行归一化处理,得到归一化处理后的待检测图像。步骤S2包括:对归一化处理后的待检测图像进行特征提取,得到多个不同尺度的深层特征图。一般地,待检测图像的尺寸大小为416×416。
可选的,深层特征图包括颜色、纹理信息。
可选的,通过可视化的矩形框定位火灾事故在待检测图像中的位置。
可选的,对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个深层特征图,确定待检测图像的类别和火灾事故在待检测图像中的位置,类别包括存在火灾事故或不存在火灾事故是通过预先训练好的火灾检测模型实现的,火灾检测模型包括特征提取网络和目标检测网络。
对待检测图像进行特征提取,得到多个不同尺度的深层特征图,包括:
通过特征提取网络,对待检测图像进行特征提取,得到多个不同尺度的深层特征图。
根据多个深层特征图,确定待检测图像的类别和火灾事故在待检测图像中的位置,类别包括存在火灾事故或不存在火灾事故,包括:
通过目标检测网络,根据多个深层特征图,确定待检测图像的类别和火灾事故在待检测图像中的位置,类别包括存在火灾事故或不存在火灾事故。
可选的,本申请所述的一种火灾检测方法用于检测森林火灾。
具体地,利用现有的网络资源制作森林火灾检测数据集,比如,可以为网上检索到的2200张包括森林火灾的图像,将其中任意1800张图像作为训练集、200张图像作为验证集和200张图像作为测试集,比如,森林火灾检测数据集还可以为公开数据集DeepQuestAI里面的Fire-Smoke-Dataset等。
在训练火灾检测模型的过程中,需要对训练集中的图像进行预处理,预处理包括对训练集中的待训练图像进行亮度、对比度和饱和度的调节,以及图像处理中的错切变换、水平翻转以及归一化等操作,通过预处理,在对训练集中的待训练图像进行特征提取的过程中,待训练图像中的特征信息进行增强,得到的深层特征图可以包含更多的有效特征信息。
在训练火灾检测模型的过程中,根据显卡的显存自适应设置训练集中待训练图像的数量,即Batch-size参数,可以加快训练阶段的速度和效率,一般地,Batch-size为16或32。
假设Batch-size为1,则训练火灾检测模型的过程为:从训练集中任意选取一张待训练图像,对该待训练图像进行预处理,得到预处理后的待训练图像,通过特征提取网络,对预处理后的待训练图像进行特征提取,得到待训练图像的多个不同尺度的深层特征图。通过目标检测网络,根据多个深层特征图,确定待训练图像的类别和火灾事故在待训练图像中的位置。
在实施过程中,特征提取网络可以为基于EfficientNet搭建得到的网络模型,目标检测网络可以为基于超轻量目标检测模型NanoDet搭建得到的网络模型。其中,NanoDet是一个速度超快和轻量级的移动端Anchor-free目标检测模型。基于上述两种网络模型,可以使火灾检测模型的网络结构简单,参数量较少的同时,计算量较少。
可选的,上述特征提取网络包括浅层特征提取模块和深层特征提取模块,通过特征提取网络,对待检测图像进行特征提取,得到多个不同尺度的深层特征图,包括:利用浅层特征提取模块提取待检测图像的浅层特征图。
利用深层特征提取模块提取浅层特征图对应的多个不同尺度的深层特征图。其中,浅层特征提取模块包括卷积核大小为3×3、Stride参数为2、padding参数为1的卷积层、批量归一化层和激活函数。
具体地,浅层特征提取模块根据第一公式提取待检测图像的浅层特征图F,第一公式为:F=σ(Bn(conv(X))),X∈R3×H×W。其中,X为待检测图像,X∈R3×H×W,W和H分别为待检测图像的宽和高,conv为卷积层,Bn为批量归一化层(BatchNorm2d),σ为激活函数(ReLU6)。
可选的,深层特征提取模块包括依次连接的七个深层特征提取子模块,利用深层特征提取模块提取浅层特征图对应的多个不同尺度的深层特征图,包括:将浅层特征图输入第一个深层特征提取子模块,得到第一个深层特征提取子模块提取的深层特征图。
将第二个深层特征提取子模块作为当前子模块,重复执行以下步骤,直到当前子模块的下一个子模块是最后一个深层特征提取子模块,利用第三个深层特征提取子模块、第五个深层特征提取子模块和最后一个深层特征提取子模块的提取待检测图像的不同尺度的深层特征图。
上述以下步骤包括:将当前子模块的上一个深层特征提取子模块输出的深层特征图作为当前子模块的输入,提取当前子模块输出的深层特征图。
可选的,第二个至最后一个深层特征提取子模块中的每个深层特征提取子模块还包括预处理卷积模块,利用预处理卷积模块增加当前子模块的输入通道,以补充当前子模块输出的深层特征图包含的信息。
可选的,每个深层特征提取子模块包括像素注意力模块、坐标注意力模块和后处理模块,将当前子模块的上一个深层特征提取子模块输出的深层特征图作为当前子模块的输入,提取当前子模块输出的深层特征图,包括:
利用像素注意力模块遍历当前子模块的输入特征图中的每个像素,提取出每个像素的颜色特征信息,并根据各个颜色特征信息生成当前子模块的颜色特征图,输入特征图为所述当前子模块的上一个深层特征提取子模块提取的深层特征图。
利用坐标注意力模块,提取当前子模块的颜色特征图中的每个像素的空间位置信息,并根据各个像素的空间位置信息生成当前子模块的空间位置特征图。
利用后处理模块,将空间位置特征图和当前子模块的输入特征图进行融合,得到当前子模块输出的深层特征图。
可选的,每个深层特征提取子模块还包括深度可分离卷积模块,通过深度可分离卷积模块降低火灾检测模型的计算量。
具体地,深层特征提取模块包括依次连接的七个深层特征提取子模块,分别表示为G0模块、G1模块、G2模块、G3模块、G4模块、G5模块和G6模块,由预处理卷积模块210、深度可分离卷积模块220、像素注意力模块(Pixel Attention Module)230、坐标注意力模块(Coordinate Attention Module)240和后处理模块250构成一个MCM(multiple-blocks ofcolor-attention modules)子模块,如图2所示。其中,G0模块、G1模块、G2模块、G3模块、G4模块、G5模块和G6模块分别包括1、2、2、3、3、4、1个MCM子模块,但是,G0模块为没有预处理卷积模块的MCM子模块。像素注意力模块与坐标注意力模块均为基于注意力机制(CoordinateAttention)搭建的网络模型。
如图3所示,预处理卷积模块包括卷积核大小为1×1、Stride参数为1的卷积层(Conv2d(1×1))、批量归一化层(BatchNorm)和激活函数(ReLU6)。深度可分离卷积模块(DepthwiseConv2d)包括卷积核大小为3×3和5×5的两种卷积、批量归一化层(BatchNorm)和激活函数(ReLU6),在每个深度可分离卷积模块中使用卷积核大小为3×3和5×5的卷积进行特征提取,然后通过批量归一化层(BatchNorm)和激活函数(ReLU6)对提取后的特征进行降维处理,以减小计算量和降低通道数。
具体地,通过以下第二公式计算第i个深层特征提取子模块中第j个MCM子模块中的深层可分离卷积模块的输出结果Fij,其中,第二公式为:Fij=σ(Bn(conv(F))),其中,i为0、1、2、……、6,j为1、2、3、4,Bn为批量归一化层,σ为激活函数,F为待检测图像的浅层特征图。
像素注意力模块和坐标注意力模块可构成一个颜色注意力模块。像素注意力模块包括卷积核大小为1×1、Stride参数为1的卷积层(1×1 Conv2d)和激活函数(Sigmoid),然后通过跳连接操作(shortcut),可以获取细粒度的像素级别的火焰特征信息。
具体地,通过以下第三公式计算第i个深层特征提取子模块中第j个MCM子模块中像素注意力模块的输出结果Pij,其中,第三公式为其中,Fij∈RC×H×W,C、W和H分别为通道数、待检测图像的宽和高,MPA为第i个深层特征提取子模块中第j个MCM子模块中的像素注意力模块。
通过坐标注意力模块沿着水平方向进行自适应均值池化操作(XAvgPool),沿着竖直方向进行自适应均值池化操作(YAvgPool),具体地,使用两个空间池化核(H,1)和(1,W)分别沿着水平和竖直方向编码每个通道,以提取水平方向的特征信息zh和竖直方向的特征信息zw。将水平方向的特征信息和竖直方向的特征信息进行拼接操作(Concat Conv2d)和融合操作,以进一步获取细粒度的特征信息。具体地,交换上述水平方向的特征信息zh的宽和高维度上的数值,然后与竖直方向的特征信息zw进行维度拼接。
对于融合操作,利用卷积核大小为1×1、stride参数为1的卷积层、批量归一化层(BatchNorm)和非线性激活函数(Non-linear)进行融合得到特征信息f,然后,将该特征信息f沿水平和竖直方向进行分离,得到两组分离后的特征信息:水平方向分离后的特征信息fh和竖直方向分离后的特征信息fw,根据该两组分离后的特征信息,利用卷积核大小为1×1、stride参数为1的卷积层(Conv2d)和非线性激活函数(Non-linear),以获得沿水平方向分离后的特征信息fh对应的权重gh、沿竖直方向分离后的特征信息fw对应的权重gw。
通过以下第四公式计算第i个深层特征提取子模块中第j个MCM子模块中的坐标注意力模块的输出结果Cij,其中,第四公式为:Cij=Pij×gh×gw,f=δ(conv([Zh,Zw])),gh=σ(Fh(fh)),gw=σ(Fw(fw)), Fh为水平方向分离后的特征信息fh对应的卷积层(Conv2d),Fw为竖直方向分离后的特征信息fw对应的卷积层(Conv2d),δ为非线性激活函数(Non-linear)。
根据第五公式计算第i个深层特征提取子模块中第j个MCM子模块输出的深层特征图Fi-out,其中,第五公式为:Fij为第i个深层特征提取子模块中第j个MCM子模块的深度可分离卷积的输出结果,Fpost-i为第i个深层特征提取子模块中第j个MCM子模块的后处理模块的输出结果。
其中,后处理模块包括卷积核大小为1×1、stride参数为1的卷积层、批量归一化层(BatchNorm2d)和激活函数(ReLU6)。
可选的,待检测图像的多个不同尺度的深层特征图包括第三个深层特征提取子模块输出的深层特征图为八倍下采样的深层特征图Fs8,第五个深层特征提取子模块输出的深层特征图为十六倍下采样的深层特征图Fs16,第七个深层特征提取子模块输出的深层特征图为三十二倍下采样的深层特征图Fs32。
火灾检测模型还包括多尺度特征融合网络,多尺度特征融合网络包括基于特征金字塔搭建的第一通道和第二通道,第一通道和第二通道分别包括依次设置八倍下采样尺度、十六倍下采样尺度和三十二倍下采样尺度的子通道,第一通道的连接方向为自下向上,第二通道的连接方向为自上向下,将第一通道与第二通道中相同采样尺度的子通道横向连接。
该方法还包括:将八倍下采样的深层特征图、十六倍下采样的深层特征图和三十二倍下采样的深层特征图分别输入相同采样尺度的第一通道中,对于每个采样尺度的深层特征图,通过横向连接后的子通道对两个通道中相同采样尺度的深层特征图进行融合处理,得到相同采样尺度的融合特征图。
通过目标检测网络,根据多个深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,包括:利用目标检测网络,根据每个采样尺度的深层特征图得到的相同采样尺度的融合特征图,确定所述待检测图像的类别和火灾事故在待检测图像中的位置。
具体地,八倍下采样的深层特征图Fs8对应的融合特征图表示为Fs8-16’,十六倍下采样的深层特征图Fs16对应的融合特征图表示为Fs16”,三十二倍下采样的深层特征图Fs32对应的融合特征图表示为Fs32”。
利用卷积核大小为1×1、stride参数为1的卷积层分别处理Fs8、Fs16、Fs32,对应输出Fs8’、Fs16’和Fs32’,将Fs32’进行上采样操作扩大一倍与Fs16’进行相加操作,输出Fs16-32’。同理,将Fs16-32’进行上采样操作扩大一倍与Fs8’进行相加操作,输出Fs8-16’。
将Fs8-16’进行下采样操作缩小一倍与Fs16-32’进行相加操作,输出Fs16”。将Fs16”再次进行下采样操作缩小一倍与Fs32’进行相加操作,输出Fs32”,最终获得待检测图像的深层特征图Fs32”、Fs16”和Fs8-16’。通过多尺度融合模块获取了具有既含丰富语义信息又含丰富空间位置信息的特征。
目标检测网络采用泛化的Focal Loss(Generalized Focal Loss)中的GFL Head,目标检测网络包括两个分支,分别为分类分支和回归分支,其中,分类分支用于区分火焰的类别,以确定待检测图像是否存在火灾事故,回归分支用于定位,以确定火灾事故在待检测图像中的位置。最终,可以确定待检测图像的类别和火灾位置信息。
具体地,在每个采样尺度上的分类分支和回归分支分别利用两组卷积来完成,分类分支中的两组卷积为分类卷积组,回归分支中的两组卷积为回归卷积组。分类卷积组和回归卷积组分别包括2个卷积核大小为3×3、stride参数为1和padding参数为1的2d卷积,每个卷积的输入、输出通道数均为96。然后,在每个采样尺度上的分类分支中再设置一个卷积核大小为3×3、stride参数为1和padding参数为1的2d卷积,该卷积的输入通道为96,输出通道数为1。同理,在每个采样尺度上的回归分支中再设置一个卷积核大小为3×3、stride参数为1和padding参数为1的2d卷积来搭建目标检测网络,该卷积的输入通道为96,输出通道数为32。
通过目标检测网络对不同采样尺度的深层特征图分别进行检测,实现了对深层特征图的分级预测,提升了火灾检测模型对待检测图像中不同尺度大小的火灾区域的检测的性能。
可选的,根据多个深层特征图,确定待检测图像的类别和火灾事故在所述待检测图像中的位置,包括:根据每个采样尺度的深层特征图,获得该深层特征图对应的预测结果,其中,预测结果包括待检测图像的预测类别和火灾事故在待检测图像中的预测位置。
利用非极大值抑制(Non-Maximum Suppression,NMS)算法对获得的多个预测结果进行过滤,根据预先定义的规则保留最佳预测结果,将最佳预测结果中的预测类别作为待检测图像的类别,将最佳预测结果中的预测位置为火灾事故在所述待检测图像中的位置。
其中,通过预测框定位火灾事故在待检测图像中的预测位置。
非极大值抑制(Non-Maximum Suppression,NMS)算法具体流程如下:获得分级预测得到的多个预测结果,以及每个预测结果中预测类别对应的概率(1)根据所有的概率值,对相同预测类别对应的所有预测框进行排序,选中概率值最高对应的预测框。(2)遍历相同预测类别中剩下的预测框,若任一预测框和概率值最高对应的预测框的重叠面积(IOU)大于设定的阈值,则将该预测框进行删除(3)在另一种预测类别中,继续选择概率值最高对应的预测框,重复(1)~(2)步骤,直至得到最佳预测结果。
一般地,设定的阈值为0.6。当待检测图像中的火灾区域面积较小时,八倍下采样的深层特征图对应的预测结果更加精准,当待检测图像中的火灾区域面积较大时,三十二倍下采样的深层特征图对应的预测结果更加精准。
目标检测网络中分类分支的损失函数可采用特征熵引导的分类损失,用于目标检测网络来平衡样本的内容复杂度差异,即根据训练样本的内容复杂度差异自适应分配分类损失权重,内容复杂度大的样本特征熵值较高,在计算分类损失时赋予更大的权重来提高训练模型的性能。基于GFL,通过以下第六公式定义损失函数,其中,第六公式为:
QFL(δ)=-|y-δ|β((1-y)log(1-δ)+ylog(δ))*∑P(i)logP(i),
DFL(Si,Si+1)=-((yi+1-y)log(Si)+(y-yi)log(Si+1)),
其中,QFL(δ)为用于分类和预测框质量的联合表示损失函数,∑P(i)logP(i)为所获取的分类卷积组中第二个卷积层输出的特征图的熵值,δ为经Sigmoid激活函数的输出,y为预测框与真实标注框之间的交并比(IOU),对连续的积分进行离散化处理,yi、yi+1为离散处理后的两个小间隔的值,Si、Si+1分别为yi和yi+1经过Sigmoid激活函数的输出。
对于正负样本的分配原则采用自适应训练样本挑选原则(Adaptive TrainingSample Selection),其中,正负样本是目标检测领域中对预测框的划分,当预测框和真实标注框之间的交并比值满足预设阈值时,就认为是正样本;否则认为是负样本。
在训练火灾检测模型的过程中,可采用英伟达GPU用于训练,采用随机梯度下降法优化器,设置初始学习率为0.1,Batch-Size被调为16,使用Python语言和PyTorch框架进行训练。评估阶段,使用目标检测领域CoCo评判标准对模型进行评估。表1展示了本申请中的目标检测网络与其他目标检测算法的对比实验结果。
表1本申请中的目标检测网络与其他目标检测算法的比较结果表
目标检测算法 | AP | AP50 | AP75 |
Yolov5(s) | 0.383 | 0.727 | 0.357 |
Faster-RCNN | 0.433 | 0.784 | 0.432 |
GridR-CNN | 0.434 | 0.781 | 0.420 |
ATSS | 0.432 | 0.800 | 0.398 |
目标检测网络 | 0.465 | 0.807 | 0.482 |
如表1所示,其他目标检测算法包括Yolov5(s),Faster-RCNN,Grid R-CNN,ATSS。Yolov5(s)是一种单阶段的目标检测算法,使用PyTorch框架方便训练和使用;Faster-RCNN是一种经典的两阶段目标检测算法;Grid R-CNN是一种首次提出基于像素级预测网格点定位目标的二阶段的目标检测算法;ATSS提出自适应的选取正样本的方法。
此外,为了进一步地验证我们提出的颜色注意力模块以及特征熵对于平衡训练样本的内容复杂度的有效性,我们也和一些火灾检测算法进行比较。实验采用DeepQuestAI/Fire-Smoke-Dataset公开火焰检测数据集,此数据集一共包括3000张数据集,其中训练集包括“Fire”、“NoFire”和“Neurtal”三个子类别,每个子类别各有图片900、900、900张;测试集中也是分为相同的“Fire”、“NoFire”和“Neurtal”三个子类别,每个子类别均有图片100张作为测试用。将数据集中“NoFire”和“Neurtal”子类别的图像进行归类统称为“不存在火灾事故”类别,将数据集中“Fire”子类别的图像进行归类统称为“存在火灾事故”类别,然后参与训练和评估。评估阶段采用准确率、召回率和精确率作为评估指标。表2展示了与其他火灾检测算法的对比实验结果。
表2本申请中的火灾检测模型与其他火灾检测算法的比较结果表
火灾检测算法 | Precision | Recall | Accuracy |
FireNet | 0.8557 | 0.83 | 0.8967 |
ModifiedVGG16 | 0.8763 | 0.85 | 0.91 |
ModifiedResNet50 | 0.8857 | 0.93 | 0.9367 |
火灾检测模型 | 0.9674 | 0.89 | 0.9533 |
如表2所示,其他火灾检测方法包括FireNet(FireNet:A SpecializedLightweight Fire&Smoke Detection Model for Real-Time IoT Applications),“Modified VGG16”和“Modified ResNet50”。其中FireNet是一种轻量化的神经网络,“Modified VGG16”和“Modified ResNet50”指的是改进后“VGG6”和改进后的“ResNet50”网络(Deep Convolutional Neural Networks for Fire Detection in Images)用于火灾检测。
为了更好的说明及理解本申请所提供的方法的原理,下面结合一个可选的具体实施例对本申请的方案进行说明。需要说明的是,该具体实施例中的各步骤的具体实现方式并不应当理解为对于本申请方案的限定,在本申请所提供的方案的原理的基础上,本领域技术人员能够想到的其他实现方式也应视为本申请的保护范围之内。
参见本申请实施例的一种火灾检测方法的流程示意图如图4所示,本示例提供的一种火灾检测方法的具体流程如下:
获取待检测图像400,对待检测图像进行归一化处理,得到归一化后的待检测图像。将预处理后的待检测图像输入浅层特征提取模块410,通过浅层特征提取模块410提取待检测图像的浅层特征图。
将待检测图像的浅层特征图依次通过深层特征提取模块420中的G0模块、G1模块、G2模块、G3模块、G4模块、G5模块和G6模块,分别通过G2模块输出待检测图像的第一深层特征图、G4模块输出待检测图像的第二深层特征图和G6模块输出待检测图像的第三深层特征图。
通过多尺度融合网络430获得与第一深层特征图对应的第一融合特征图、与第二深层特征图对应的第二融合特征图、与第三深层特征图对应的第三融合特征图。
将所有的融合特征图输入目标检测网络440,通过目标检测网络440获得与第一深层特征图对应输出的预测结果1、与第二深层特征图对应输出的预测结果2、与第三深层特征图对应输出的预测结果3,该过程可以被视为分级预测,预测结果包括待检测图像的预测类别和火灾事故在待检测图像中的位置。
一般地,通过分级预测会产生很多重复冗余的预测结果,假设预测类别1为存在火灾事故,预测类别2为存在火灾事故,预测类别3也为存在火灾事故。并且,预测类别1中的预测框和待检测图像中真实火灾事故区域基本完全重合,而预测结果2中的预测框、预测结果3中的预测框和待检测图像中真实火灾事故区域所重叠的区域较小或者基本无重叠区域时,通过NMS算法处理后,预测类别1将会被保留,即待检测图像的类别为存在火灾事故,而预测结果1中的预测位置作为火灾事故在待检测图像中的位置。
通过浅层特征提取模块对待检测图像可以提取浅层特征图,能够为深层特征图地提取做铺垫,通过深层特征提取模块、颜色注意力模块,能够增强火灾检测网络的特征表达能力,通过多尺度融合网络能够融合多个尺度的特征信息,可以获取丰富的语义信息和空间位置信息。
基于相同的技术构思,本申请实施例还提供了一种火灾检测系统500,如图5所示,该系统包括图像获取单元510和火灾检测单元520。
图像获取单元510,用于获取待检测图像。
火灾检测单元520,用于对待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个深层特征图,确定待检测图像的类别,类别包括存在火灾事故或不存在火灾事故;当待检测图像的类别为存在火灾事故时,根据多个深层特征图,确定火灾事故在待检测图像中的位置。
可选的,火灾检测单元具体用于:通过预先训练好的火灾检测模型实现的,火灾检测模型包括特征提取单元和目标检测单元。其中,特征提取单元中的特征提取网络和目标检测单元中的目标检测网络也是预先训练好的网络。
特征提取单元用于:通过特征提取网络,对待检测图像进行特征提取,得到多个不同尺度的深层特征图。
目标检测单元用于:通过目标检测网络,根据多个深层特征图,确定待检测图像的类别,当待检测图像的类别为存在火灾事故时,根据多个深层特征图,确定火灾事故在待检测图像中的位置。
可选的,特征提取单元包括浅层特征提取单元和深层特征提取单元,特征提取单元用于:提取待检测图像的浅层特征图。深层特征提取单元用于:提取浅层特征图对应的多个不同尺度的深层特征图。
其中,浅层特征提取单元包括卷积核大小为3×3、Stride参数为2、padding参数为1的卷积层、批量归一化层和激活函数。
可选的,深层特征提取单元包括依次连接的七个深层特征提取子单元,深层特征提取单元具体用于:
将浅层特征图输入第一个深层特征提取子单元,得到第一个深层特征提取子单元提取的深层特征图。
将第二个深层特征提取子单元作为当前子单元,重复执行以下步骤,直到当前子单元的下一个子单元是最后一个深层特征提取子单元,利用第三个深层特征提取子单元、第五个深层特征提取子单元和最后一个深层特征提取子单元的提取待检测图像的不同尺度的深层特征图。
上述以下步骤包括:
将当前子单元的上一个深层特征提取子单元输出的深层特征图作为当前子单元的输入,提取当前子单元输出的深层特征图。
可选的,第二个至最后一个深层特征提取子单元中的每个深层特征提取子单元还包括预处理卷积单元,预处理卷积单元用于:增加当前子单元的输入通道,以补充当前子单元输出的深层特征图包含的信息。
可选的,每个深层特征提取子单元包括像素注意力单元、坐标注意力单元和后处理单元。
像素注意力单元用于:遍历当前子单元的输入特征图中的每个像素,提取出每个像素的颜色特征信息,并根据各个颜色特征信息生成当前子单元的颜色特征图,输入特征图为所述当前子单元的上一个深层特征提取子单元提取的深层特征图。
坐标注意力单元用于:提取当前子模块的颜色特征图中的每个像素的空间位置信息,并根据各个像素的空间位置信息生成当前子模块的空间位置特征图。
后处理单元用于:将空间位置特征图和当前子模块的输入特征图进行融合,得到当前子单元输出的深层特征图。
可选的,每个深层特征提取子单元还包括深度可分离卷积单元,深度可分离卷积单元用于:降低火灾检测模型的计算量。
可选的,待检测图像的多个不同尺度的深层特征图包括第三个深层特征提取子模块输出的深层特征图为八倍下采样的深层特征图,第五个深层特征提取子模块输出的深层特征图为十六倍下采样的深层特征图,第七个深层特征提取子模块输出的深层特征图为三十二倍下采样的深层特征图。
火灾检测模型还包括多尺度特征融合单元,多尺度特征融合单元用于:基于特征金字塔搭建的第一通道和第二通道,第一通道和第二通道分别包括依次设置八倍下采样尺度、十六倍下采样尺度和三十二倍下采样尺度的子通道,第一通道的连接方向为自下向上,第二通道的连接方向为自上向下,将第一通道与第二通道中相同采样尺度的子通道横向连接。
将八倍下采样的深层特征图、十六倍下采样的深层特征图和三十二倍下采样的深层特征图分别输入相同采样尺度的第一通道中,对于每个采样尺度的深层特征图,通过横向连接后的子通道对两个通道中相同采样尺度的深层特征图进行融合处理,得到相同采样尺度的融合特征图。
目标检测单元还用于:根据每个采样尺度的深层特征图得到的相同采样尺度的融合特征图,确定待检测图像的类别和火灾事故在待检测图像中的位置。
需要说明的是:上述实施例提供的一种火灾检测系统与一种火灾检测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在示例性实施例中,如图6所示,还提供了一种电子设备600,该电子设备600包括处理器610和存储器620,存储器620中存储有至少一条指令621,至少一条指令621由处理器610加载并执行以实现上述实施例中火灾检测方法所执行的操作。
在示例性实施例中,还提供了一种可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述实施例中火灾检测方法所执行的操作。该计算机可读存储介质可以是非暂态的。例如,所述计算机可读存储介质可以是ROM(Read-OnlyMemory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种火灾检测方法,其特征在于,包括以下步骤:
获取待检测图像;
对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;
根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。
2.根据权利要求1所述的一种火灾检测方法,其特征在于,
所述对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故是通过预先训练好的火灾检测模型实现的,所述火灾检测模型包括特征提取网络和目标检测网络;
所述对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图,包括:
通过所述特征提取网络,对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;
所述根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故,包括:
通过所述目标检测网络,根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。
3.根据权利要求2所述的一种火灾检测方法,其特征在于,所述特征提取网络包括浅层特征提取模块和深层特征提取模块,所述通过所述特征提取网络,对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图,包括:
利用所述浅层特征提取模块提取所述待检测图像的浅层特征图;
利用所述深层特征提取模块提取所述浅层特征图对应的多个不同尺度的深层特征图;
其中,所述浅层特征提取模块包括卷积核大小为3×3、Stride参数为2、padding参数为1的卷积层、批量归一化层和激活函数。
4.根据权利要求3所述的一种火灾检测方法,其特征在于,所述深层特征提取模块包括依次连接的七个深层特征提取子模块,所述利用所述深层特征提取模块提取所述浅层特征图对应的多个不同尺度的深层特征图,包括:
将所述浅层特征图输入第一个所述深层特征提取子模块,得到第一个所述深层特征提取子模块提取的深层特征图;
将第二个所述深层特征提取子模块作为当前子模块,重复执行以下步骤,直到所述当前子模块的下一个子模块是最后一个所述深层特征提取子模块,利用第三个所述深层特征提取子模块、第五个所述深层特征提取子模块和最后一个所述深层特征提取子模块提取所述待检测图像的不同尺度的深层特征图;
所述以下步骤包括:
将所述当前子模块的上一个深层特征提取子模块输出的深层特征图作为所述当前子模块的输入,提取所述当前子模块输出的深层特征图。
5.根据权利要求4所述的一种火灾检测方法,其特征在于,每个所述深层特征提取子模块包括像素注意力模块、坐标注意力模块和后处理模块,所述将所述当前子模块的上一个深层特征提取子模块输出的深层特征图作为所述当前子模块的输入,提取所述当前子模块输出的深层特征图,包括:
利用所述像素注意力模块遍历所述当前子模块的输入特征图中的每个像素,提取出每个像素的颜色特征信息,并根据各个颜色特征信息生成所述当前子模块的颜色特征图,所述输入特征图为所述当前子模块的上一个深层特征提取子模块提取的深层特征图;
利用所述坐标注意力模块,提取所述当前子模块的颜色特征图中的每个像素的空间位置信息,并根据各个像素的空间位置信息生成所述当前子模块的空间位置特征图;
利用所述后处理模块,将所述空间位置特征图和所述当前子模块的输入特征图进行融合,得到所述当前子模块输出的深层特征图。
6.根据权利要求5所述的一种火灾检测方法,其特征在于,第二个至最后一个所述深层特征提取子模块中的每个深层特征提取子模块还包括预处理卷积模块,利用所述预处理卷积模块增加所述当前子模块的输入通道,以补充所述当前子模块输出的深层特征图包含的信息;
其中,所述预处理卷积模块包括卷积核大小为1×1、Stride参数为1的卷积层和批量归一化层。
7.根据权利要求4所述的一种火灾检测方法,其特征在于,所述待检测图像的多个不同尺度的深层特征图包括第三个所述深层特征提取子模块输出的深层特征图为八倍下采样的深层特征图,第五个所述深层特征提取子模块输出的深层特征图为十六倍下采样的深层特征图,第七个所述深层特征提取子模块输出的深层特征图为三十二倍下采样的深层特征图,
所述火灾检测模型还包括多尺度特征融合网络,所述多尺度特征融合网络包括基于特征金字塔搭建的第一通道和第二通道,所述第一通道和所述第二通道分别包括依次设置八倍下采样尺度、十六倍下采样尺度和三十二倍下采样尺度的子通道,所述第一通道的连接方向为自下向上,所述第二通道的连接方向为自上向下,将所述第一通道与所述第二通道中相同采样尺度的子通道横向连接;
所述方法还包括:
将所述八倍下采样的深层特征图、十六倍下采样的深层特征图和所述三十二倍下采样的深层特征图分别输入相同采样尺度的所述第一通道中,对于每个采样尺度的深层特征图,通过横向连接后的子通道对两个通道中相同采样尺度的深层特征图进行融合处理,得到相同采样尺度的融合特征图;
所述通过所述目标检测网络,根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,包括:
利用所述目标检测网络,根据每个采样尺度的深层特征图得到的相同采样尺度的融合特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置。
8.一种火灾检测系统,其特征在于,包括图像获取单元和火灾检测单元;
所述图像获取单元,用于获取待检测图像;
所述火灾检测单元,用于对所述待检测图像进行特征提取,得到多个不同尺度的深层特征图;根据多个所述深层特征图,确定所述待检测图像的类别和火灾事故在所述待检测图像中的位置,所述类别包括存在火灾事故或不存在火灾事故。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1-7中任一项所述的一种火灾检测方法所执行的操作。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1-7中任一项所述的一种火灾检测方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162383.7A CN114612755A (zh) | 2022-02-22 | 2022-02-22 | 一种火灾检测方法、系统、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162383.7A CN114612755A (zh) | 2022-02-22 | 2022-02-22 | 一种火灾检测方法、系统、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612755A true CN114612755A (zh) | 2022-06-10 |
Family
ID=81859204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210162383.7A Pending CN114612755A (zh) | 2022-02-22 | 2022-02-22 | 一种火灾检测方法、系统、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612755A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117115723A (zh) * | 2023-10-23 | 2023-11-24 | 四川泓宝润业工程技术有限公司 | 一种消防设施计数方法、装置、存储介质及电子设备 |
-
2022
- 2022-02-22 CN CN202210162383.7A patent/CN114612755A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117115723A (zh) * | 2023-10-23 | 2023-11-24 | 四川泓宝润业工程技术有限公司 | 一种消防设施计数方法、装置、存储介质及电子设备 |
CN117115723B (zh) * | 2023-10-23 | 2024-01-23 | 四川泓宝润业工程技术有限公司 | 一种消防设施计数方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111626350B (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN114612755A (zh) | 一种火灾检测方法、系统、电子设备和可读存储介质 | |
CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
CN109376757B (zh) | 一种多标签分类方法及系统 | |
CN114187311A (zh) | 一种图像语义分割方法、装置、设备及存储介质 | |
CN112200045A (zh) | 基于上下文增强的遥感图像目标检测模型建立方法及应用 | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
CN112818871B (zh) | 一种基于半分组卷积的全融合神经网络的目标检测方法 | |
CN110263731B (zh) | 一种单步人脸检测系统 | |
CN111539456B (zh) | 一种目标识别方法及设备 | |
CN114662605A (zh) | 基于改进的YOLOv5模型的火焰检测方法 | |
CN114708566A (zh) | 一种基于改进YOLOv4的自动驾驶目标检测方法 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
CN114565891A (zh) | 一种基于图形生成技术的烟火监测方法及系统 | |
CN115439395A (zh) | 显示面板的缺陷检测方法、装置、存储介质及电子设备 | |
CN113469099A (zh) | 目标检测模型的训练方法、检测方法、装置、设备及介质 | |
CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN115965786A (zh) | 基于局部语义感知注意力神经网络的遮挡目标识别方法 | |
CN115346051A (zh) | 一种光学遥感图像检测方法及装置 | |
CN114998304A (zh) | 自冲铆成形质量的检测方法、装置、电子设备及存储介质 | |
KR102213600B1 (ko) | Cnn을 이용하여 크기 독립적으로 물체를 검출하는 방법 및 장치 |
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 |