CN115546722A - 一种烟火检测方法、系统、计算机设备以及存储介质 - Google Patents

Abstract

本公开提供一种烟火检测方法、系统、计算机设备以及存储介质，属于安防监控技术领域，其中，烟火检测方法包括利用目标神经网络对目标图像进行烟火预测；其中，目标神经网络包括特征提取网络和对象分类网络；特征提取网络为不具有下采样Focus层的轻量级网络；烟火检测方法包括：获取目标图像；利用特征提取网络，提取目标图像的第一图像特征；利用对象分类网络，对第一图像特征进行对象类别预测，得到烟火预测结果分类网络，对第一图像特征进行对象类别预测，得到烟火预测结果。

Description

一种烟火检测方法、系统、计算机设备以及存储介质

技术领域

本公开属于安防监控技术领域，具体涉及一种烟火检测方法、系统、计算机设备以及存储介质。

背景技术

火灾是一种频繁发生又损失惨重的灾难，是人们一直关注又要求极力预防的灾祸。发生火灾时，大多数情况是初期出现烟雾，然后伴随着有明火燃起，也有爆炸等引起的突然起火情况，这时，并不会提前出现烟雾现象。所以进行火焰检测能够避免火灾带来很大的伤害，进行烟雾检测则能够更好的预防起火，将火灾事故遏制在摇篮当中。所以，准确及时地对火焰进行检测的同时，又对烟雾进行检测，在消防安全领域防火防灾极其重要。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提供一种烟火检测方法、系统、计算机设备以及存储介质。

第一方面，本公开实施例提供了一种烟火检测方法，包括利用目标神经网络对目标图像进行烟火预测；其中，所述目标神经网络包括特征提取网络和对象分类网络；所述特征提取网络为不具有下采样Focus层的轻量级网络；

所述烟火检测方法包括：

获取目标图像；

利用所述特征提取网络，提取所述目标图像的第一图像特征；

利用所述对象分类网络，对所述第一图像特征进行对象类别预测，得到烟火预测结果。

在一些实施例中，对所述目标神经网络进行训练的步骤包括：

获取样本数据集；所述样本数据集中包括标注有位置标签和类别标签的多帧样本图像；

根据所述样本数据集，对待训练的目标神经网络进行训练；

构造加权损失值，通过对所述加权损失值进行加权反向传播以持续训练所述目标神经网络，直至所述加权损失值收敛，得到训练完成的目标神经网络。

在一些实施例中，所述特征提取网络采用转移注意力Shuffle Attention机制；

所述利用所述特征提取网络，提取所述目标图像的第一图像特征，包括：

利用采用所述Shuffle Attention机制的所述特征提取网络，提取所述目标图像的中间特征，并按照通道维度进行分组，得到多个子特征；

对于每个所述子特征，同步使用通道注意力机制和空间注意力机制，得到通道级信息和像素级信息；

基于所述通道级信息和所述像素级信息，将所述多个子特征进行融合，得到所述第一图像特征。

在一些实施例中，所述对象分类网络包括至少一层卷积层和分类输出层；

所述利用所述对象分类网络，对所述第一图像特征进行对象类别预测，得到烟火预测结果，包括：

利用所述至少一层卷积层对所述第一图像特征进行卷积处理，得到第二图像特征；

利用所述分类输出层对所述第二图像特征进行对象类别预测，得到所述烟火预测结果。

在一些实施例中，所述分类输出层包括激活函数logistic函数；

利用所述分类输出层对所述第二图像特征进行对象类别预测，得到所述烟火预测结果，包括：

根据所述第二图像特征，确定所述logistic函数的输出结果；所述logistic函数的输出结果用于表征所述烟火预测结果。

在一些实施例中，在得到烟火预测结果之后，还包括：

在基于所述烟火预测结果确定存在烟火事件的情况下，生成报警提示信息。

第二方面，本公开实施例还提供了一种烟火检测系统，其包括数据采集模块、目标检测模块；所述目标检测模块中部署有目标神经网络；所述目标神经网络包括特征提取网络和对象分类网络；所述特征提取网络为不具有下采样层Focus层的轻量级网络；

所述数据采集模块，被配置为获取目标图像；

所述特征提取网络，被配置为提取所述目标图像的第一图像特征；

所述对象分类网络，被配置为对所述第一图像特征进行对象类别预测，得到烟火预测结果。

在一些实施例中，所述烟火检测系统还包括模型训练模块；

所述模型训练模块，被配置为获取样本数据集；所述样本数据集中包括标注有位置标签和类别标签的多帧样本图像；根据所述样本数据集，对待训练的目标神经网络进行训练；构造加权损失值，通过对所述加权损失值进行加权反向传播以持续训练所述目标神经网络，直至所述加权损失值收敛，得到训练完成的目标神经网络。

第三方面，本公开实施例还提供了一种计算机设备，其中，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述实施例中任一项所述的烟火检测方法的步骤。

第四方面，本公开实施例还提供了一种计算机非瞬态可读存储介质，其中，该计算机非瞬态可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述实施例中任一项所述的烟火检测方法的步骤。

附图说明

图1为本公开实施例提供的一种烟火检测方法的流程图；

图2为本公开实施例提供的一种目标神经网络的网络架构示意图；

图3为本公开实施例提供的一种烟火检测系统的示意图；

图4为本公开实施例提供的一种计算机设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

在本公开中提及的“多个或者若干个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

在相关技术中，预防火灾设备包括烟雾报警器和火灾报警器等，在楼宇内，传感器受器件老化及物理环境影响，检测灵敏度、实时性都不太尽人意，在户外或者大型工厂，由于传感器可检测的范围有限，在检测距离上很难实现，这种早期的烟火检测方法，不仅达不到检测精度，而且耗费硬件资源可测空间有限。传统的图像处理方法主要是利用烟雾及火焰的色彩、面积变化，边缘变化规律，形体变化规律，尖角数、质心位置移动等信息作为检测依据，能够在一定程度上检测到火灾，但由于检测泛化能力的限制，例如图像处理算法对检测样本本身的适应能力较差，会导致图像识别较慢；以及，传统图像处理算法在不同设备上运行也会受限，导致在工业实际需求中，传统图像处理方法体现出速度慢，误检高的现象，常常也就错过了早期预防火灾的最佳时间。

进一步的，深度学习算法在消防安全领域目标检测上凸显出巨大优势，无论是视频采集还是算法处理精度都有较强优势。对于深度学习目标检测研究目前主要分为两类，一类是采用单阶段检测算法one-stage的目标检测模型，例如目标检测模型SSD、目标检测模型YOLO、目标检测模型Retina-Net；另一类是双阶段检测算法two-stage的目标检测模型，例如目标检测模型Region-CNN，简称RCNN。这些检测模型的确在识别精度和速度上呈现出优越性，但这些方法的运行对硬件设备要求较高，模型中个别冗余的网络层，仍旧占据其所在硬件设备的内存，使得模型在普通终端设备上不能满足实际工业需求。

基于此，本公开实施例提供了一种烟火检测方法，包括利用目标神经网络对目标图像进行烟火预测；其中，目标神经网络包括特征提取网络和对象分类网络；特征提取网络为未具有下采样Focus层的轻量级网络。利用特征提取网络，提取目标图像的第一图像特征；利用对象分类网络，对第一图像特征进行对象类别预测，得到烟火预测结果。也即，本公开实施例利用了基于目标神经网络的深度神经网络的处理算法，来对目标图像进行烟火预测，能够较为准确地提取图像特征，提高对象类别预测的识别精度。另外，本公开实施例中的特征提取网络不具有Focus层，实现了轻量型架构的目标神经网络模型，使得易于部署在算力较低的终端设备上，并能确保目标神经网络模型具有较高的处理效率，因此本公开实施例提供的烟火检测方法对其运行的硬件设备的要求较低，解决了终端设备运行神经网络速度较慢的问题。

下面对本公开实施例中涉及的名词做进一步的解释：

1、YOLO(You Only Look Once)，是一个用于目标检测的网络。目标检测包括确定图像中存在某些对象的位置，以及对这些对象进行分类。YOLOv5是在YOLO的基础上，对其进行的改进，YOLOv5是一种单阶段目标检测算法，该算法在YOLO(具体为YOLOv4)的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。YOLOv5-LITE是在YOLOv5的基础上进行一系列消融实验后构建的轻量型神经网络。本公开实施例提供的目标神经网络是基于对YOLOv5-LITE进行改进得到的，该目标神经网络采用了YOLOv5-LITE中的某些部分的基础网络结构，以此为基础做出进一步改进，以构建新的神经网络，具体参见下述对特征提取网络和对象分类网络的说明，在此不进行详述。

2、ShuffleNet是一个轻量型state-of-the-art网络，被广泛应用于低端设备中(如手机)。shuffleNet v2是在shuffleNet v1 unit的基础上进行适当的权衡精度与速度而调整得到的。

为便于对本实施例进行理解，首先对本公开实施例所公开的一种烟火检测方法进行详细介绍，本公开实施例所提供的烟火检测方法的执行主体一般为具有一定计算能力的计算机设备，例如终端设备或服务器或其它处理设备，终端设备可以为用户设备(UserEquipment，UE)、移动设备(例如手机)、用户终端、终端、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该烟火检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

下面以执行主体为终端设备为例对本公开实施例提供的一种烟火检测方法加以说明。图1为本公开实施例提供的一种烟火检测方法的流程图，如图1所示，包括步骤S11～S13：

S11、获取目标图像。

本步骤中，目标图像可以是利用真实应用场景下的拍摄设备实时采集到的原始视频帧画面；或者，也可以是对拍摄设备采集到的原始视频帧画面经过处理后得到的预设区域内的画面，例如，对原始帧图像画面中的预设区域进行截图后得到的画面。其中，预设区域可以是易发生火灾的区域或具有较高防火等级的区域等。比如森林、加油站、图书馆的书架周围等。这里，利用截图后具有预设区域的画面的目标图像进行后续的烟火预测，能够提高后续模型处理的效率。

在一些实施例中，目标图像可以是拍摄设备拍摄到的视频流中的每帧视频帧，也可以是从视频流中跳帧选取的图像。其中，视频流可以是通过实时流传输协议(Real TimeStreaming Protocol，RTSP)传送的视频资源。

示例性的，可以根据预设的跳帧数量，从拍摄设备拍摄的视频流中每隔跳帧数量提取一帧目标图像。其中，预设的跳帧数量可以基于经验获取，在此不进行限定。这里，通过减少对跳帧图像的检测，提高检测效率。

S12、利用特征提取网络，提取目标图像的第一图像特征。

本步骤中特征提取网络为不具有Focus层的轻量级网络。示例性的，特征提取网络为基于对shuffleNet v2改进后得到的轻量级网络。具体地，shuffleNet v2中具有Focus层，本公开实施例从shuffleNet v2中摘除了Focus层，并将摘除后得到的轻量级网络作为目标神经网络中的特征提取网络。

可以将特征提取网络作为目标神经网络的骨干网络，对接收到的目标图像进行特征提取，提取得到第一图像特征。这里，特征提取网络不具有Focus层，使得目标神经网络的骨干网络在进行特征提取的过程中，避免多次采用切片slice操作，提高了算法处理效率，从而提高了整个烟火检测的效率。

S13、利用对象分类网络，对第一图像特征进行对象类别预测，得到烟火预测结果。

对象类别包括“烟雾”和“火焰”两类，在进行对象类别预测过程中，存在“烟雾”和“火焰”中的任一一个特征，即为存在烟火。

第一图像特征能够表征目标图像中的特征，若目标图像中存在“烟雾”(和/或“火焰”)这类待检测的对象，则第一图像特征存在“烟雾”(和/或“火焰”)特征，这时将该第一图像特征输入对象分类网络中进行对象类别预测，能够得到“目标图像中显示存在“烟雾”(和/或“火焰”)”这一烟火预测结果。否则，若目标图像中不存在“烟雾”(和/或“火焰”)这类待检测的对象，也即目标图像中仅存在环境场景画面，则第一图像特征不存在“烟雾”(和/或“火焰”)特征，此时通过对象分类网络进行对象类别预测，得到的烟火预测结果为“目标图像中不存在“烟雾”(和/或“火焰”)。

上述步骤S11～S13利用基于目标神经网络的深度神经网络的处理算法，来对目标图像进行烟火预测，能够较为准确地提取图像特征，提高对象类别预测的识别精度。另外，本公开实施例从shuffleNet v2中摘除了Focus层，并将摘除后得到的轻量级网络作为目标神经网络中的特征提取网络，也即特征提取网络不具有Focus层，实现了轻量型架构的目标神经网络模型，使得易于部署在算力较低的终端设备上，并能确保目标神经网络模型具有较高的处理效率，因此本公开实施例提供的烟火检测方法对其运行的硬件设备的要求较低，解决了终端设备运行神经网络速度较慢的问题。

图2为本公开实施例提供的一种目标神经网络的网络架构示意图，以下实施例均可参见图2所示的网络架构。

在一些实施例中，特征提取网络可以采用转移注意力Shuffle Attention机制。

针对步骤S12，具体实施时，可以利用采用Shuffle Attention机制的特征提取网络，提取目标图像的中间特征，并按照通道维度进行分组，得到多个子特征；对于每个子特征，同步使用通道注意力机制和空间注意力机制，得到通道级信息和像素级信息；基于通道级信息和像素级信息，将多个子特征进行融合，得到第一图像特征。

这里，将中间特征按照通道维度进行分组，得到多个子特征。使用通道注意力机制能够捕捉通道间的依赖关系，也即通道级信息；使用空间注意力机制能够捕捉空间上的像素级关系，也即像素级信息。之后，将所有的子特征汇聚起来，并基于通道级信息和像素级信息，使用通道混洗Channel Shuffle操作进行特征融合，能够得到第一图像特征。

在一些实施例中，对象分类网络包括至少一层卷积层和分类输出层。

针对步骤S13，具体实施时，可以利用至少一层卷积层对第一图像特征进行卷积处理，得到第二图像特征；之后，利用分类输出层对第二图像特征进行对象类别预测，得到烟火预测结果。

以N层卷积层为例，N取整。例如第一层卷积层、第二层卷积层、……、以及第N层卷积层，具体地，对于第一层卷积层，可以利用1×1的卷积核对第一图像特征进行卷积处理，得到处理结果A；将处理结果A传输至第二层卷积层进行卷积处理，得到处理结果B；以此类推，将处理结果N-1传输至第N层卷积层进行卷积处理，得到第二图像特征。

之后，若目标图像中存在“烟雾”(和/或“火焰”)这类待检测的对象，则第二图像特征存在“烟雾”(和/或“火焰”)特征，这时将该第二图像特征输入分类输出层中进行对象类别预测，会输出“目标图像中显示存在“烟雾”(和/或“火焰”)”这一烟火预测结果。否则，若目标图像中不存在“烟雾”(和/或“火焰”)这类待检测的对象，也即目标图像中仅存在环境场景画面，则第二图像特征不存在“烟雾”(和/或“火焰”)特征，此时通过分类输出层进行对象类别预测，输出的烟火预测结果为“目标图像中不存在“烟雾”(和/或“火焰”)。

在一些实施例中，分类输出层包括激活函数logistic函数。具体地，可以根据第二图像特征，确定logistic函数的输出结果。这里logistic函数的输出结果用于表征烟火预测结果。

这里，logistic函数可以作为对象类别预测的预测表达式，将第二图像特征带入logistic函数，得到logistic函数的输出结果，输出结果包括两类预测结果，也即预测是否存在“烟雾”的结果、以及预测是否存在“火焰”的结果，若用1表示存在、0表示不存在，则示例性的，logistic函数输出[1,1]表征烟火预测结果既存在烟雾也存在火焰；logistic函数输出[0,1]表征烟火预测结果不存在烟雾但存在火焰；logistic函数输出[1,0]表征烟火预测结果存在烟雾但不存在火焰；logistic函数输出[0,0]表征烟火预测结果既不存在烟雾也不存在火焰。

在一些实施例中，在得到烟火预测结果之后，在基于烟火预测结果确定存在烟火事件的情况下，生成报警提示信息。

这里，在确定存在烟火的情况下，还可以进行报警，具体报警方式可以为声音报警，或者是向相关用户发送报警提示信息，例如在终端设备上展示报警提示信息等。

示例性的，报警提示信息可以包括具体事件信息，例如预设区域存在轻烟或浓烟；再或者，预设区域出现小火苗或大火焰；再或者，预设区域发生火灾并伴随大量浓烟等具体事件报告。同时，针对预设区域所在的实际现场，系统可以根据报警提示信息发出相应级别的声音报警。

在一些实施例中，对目标神经网络进行训练，具体地包括步骤S21～S23：

S21、获取样本数据集。

其中，样本数据集中包括标注有位置标签和类别标签的多帧样本图像。

这里，样本图像可以是从数据库中获取的素材，或者利用真实应用场景下的拍摄设备实时采集到的视频帧等。至少部分帧样本图像包含目标对象，目标对象包括烟雾或火焰，例如不同浓度的烟雾，以及不同程度火苗大小的火焰。

对样本图像中的目标对象进行标记，具体地，位置标签也即对目标对象进行框选，确定检测框；类别标签包括“烟雾”或“火焰”至少两类，标记得到目标对象的真实类别，得到带有检测框和真实类别的样本图像，并收录在样本数据集中。

S22、根据样本数据集，对待训练的目标神经网络进行训练。

具体地，将样本数据集中的样本图像输入至待训练的目标神经网络中，利用目标神经网络进行处理，得到目标对象的预测框和预测类别。之后，可以计算预测框与检测框之间的交并比，得到目标对象的第一损失值；利用损失函数计算预测类别与真实类别之间的损失，得到第二损失值。

S23、构造加权损失值，通过对加权损失值进行加权反向传播以持续训练目标神经网络，直至加权损失值收敛，得到训练完成的目标神经网络。

对第一损失值和第二损失值加权处理，例如可以将第一损失值和第二损失值之和作为预测目标对象的总体损失值。利用总体损失值进行加权反向传播以持续训练目标神经网络直至加权损失值收敛，得到训练完成的目标神经网络。

基于同一发明构思，本公开实施例中还提供了与烟火检测方法对应的烟火检测系统，由于本公开实施例中的系统解决问题的原理与本公开实施例上述烟火检测方法相似，因此系统的实施可以参见方法的实施，重复之处不再赘述。

图3为本公开实施例提供的一种烟火检测系统的示意图，如图3所示，烟火检测系统包括数据采集模块31和目标检测模块32；其中，目标检测模块32中部署有目标神经网络；目标神经网络包括特征提取网络321和对象分类网络322；特征提取网络321为不具有下采样层Focus层的轻量级网络。数据采集模块31被配置为获取目标图像；特征提取网络321被配置为提取目标图像的第一图像特征；对象分类网络322被配置为对第一图像特征进行对象类别预测，得到烟火预测结果。

本公开实施例通过数据采集模块31能够自动获取到相应的目标图像。同时，通过在目标检测模块32中部署基于目标神经网络的深度神经网络的处理算法，来对目标图像进行烟火预测，能够较为准确地提取图像特征，提高对象类别预测的识别精度。另外，本公开实施例中的特征提取网络321不具有Focus层，实现了轻量型架构的目标神经网络模型，使得易于部署在算力较低的终端设备上，并能确保目标神经网络模型具有较高的处理效率，因此本公开实施例提供的烟火检测系统对其所运行的硬件设备的要求较低，解决了终端设备运行神经网络速度较慢的问题。

在一些实施例中，烟火检测系统还包括模型训练模块33；模型训练模块33被配置为获取样本数据集；样本数据集中包括标注有位置标签和类别标签的多帧样本图像；根据样本数据集，对待训练的目标神经网络进行训练；构造加权损失值，通过对加权损失值进行加权反向传播以持续训练目标神经网络，直至加权损失值收敛，得到训练完成的目标神经网络。这里，该模型训练模块33的具体实施过程可以参见上述烟火检测方法中对目标神经网络进行训练的步骤，重复部分不再赘述。

在一些实施例中，特征提取网络321采用转移注意力Shuffle Attention机制。特征提取网络321具体被配置为利用采用Shuffle Attention机制的特征提取网络，提取目标图像的中间特征，并按照通道维度进行分组，得到多个子特征；对于每个子特征，同步使用通道注意力机制和空间注意力机制，得到通道级信息和像素级信息；基于通道级信息和像素级信息，将多个子特征进行融合，得到第一图像特征。这里，特征提取网络321具体实施过程可以参见上述烟火检测方法中对特征提取网络的处理过程的详细说明，重复部分不再赘述。

在一些实施例中，对象分类网络322包括至少一层卷积层和分类输出层。对象分类网络322具体被配置为利用至少一层卷积层对第一图像特征进行卷积处理，得到第二图像特征；利用分类输出层对第二图像特征进行对象类别预测，得到烟火预测结果。可选地，分类输出层包括激活函数logistic函数。这里，对象分类网络322具体实施过程可以参见上述烟火检测方法中对对象分类网络的处理过程的详细说明，重复部分不再赘述。

在一些实施例中，烟火检测系统还包括信息生成模块34；信息生成模块34被配置为在基于烟火预测结果确定存在烟火事件的情况下，生成报警提示信息。

在一些实施例中，烟火检测系统还包括信息展示模块35；信息展示模块35被配置为将接收到的报警提示信息进行展示并报警。

关于系统中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。

本申请实施例还提供了一种计算机设备。参见图4所示，为本公开实施例提供的计算机设备的结构示意图，包括：处理器401、存储器402和总线403。其中，存储器402存储有处理器401可执行的机器可读指令，处理器401用于执行存储器402中存储的机器可读指令，机器可读指令被处理器401执行时，处理器401执行下述步骤：S11、获取目标图像；S12、利用特征提取网络，提取目标图像的第一图像特征；S13、利用对象分类网络，对第一图像特征进行对象类别预测，得到烟火预测结果。

上述存储器402包括内存4021和外部存储器4022；这里的内存4021也称内存储器，用于暂时存放处理器401中的运算数据，以及与硬盘等外部存储器4022交换的数据，处理器401通过内存4021与外部存储器4022进行数据交换，当计算机设备运行时，处理器401与存储器402之间通过总线403通信，使得处理器401在执行上述方法实施例中所提及的执行指令。

根据本公开的实施例，还提供一种计算机非瞬态可读存储介质。该计算机非瞬态可读存储介质上存储有计算机程序，其中，该程序被处理器执行时实现如上述实施例中任一的烟火检测方法中的步骤。

特别地，根据本公开实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(central processing unit，CPU)执行时，执行本公开的系统中限定的上述功能。

需要说明的是，本公开所示的计算机非瞬态可读存储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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-OnlyMemory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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。而在本公开中，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非瞬态可读存储介质，该计算机非瞬态可读存储介质可以发送、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。计算机非瞬态可读存储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、电磁频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。

可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种烟火检测方法，其中，包括利用目标神经网络对目标图像进行烟火预测；其中，所述目标神经网络包括特征提取网络和对象分类网络；所述特征提取网络为不具有下采样Focus层的轻量级网络；

所述烟火检测方法包括：

获取目标图像；

利用所述特征提取网络，提取所述目标图像的第一图像特征；

利用所述对象分类网络，对所述第一图像特征进行对象类别预测，得到烟火预测结果。

2.根据权利要求1所述的烟火检测方法，其中，对所述目标神经网络进行训练的步骤包括：

获取样本数据集；所述样本数据集中包括标注有位置标签和类别标签的多帧样本图像；

根据所述样本数据集，对待训练的目标神经网络进行训练；

构造加权损失值，通过对所述加权损失值进行加权反向传播以持续训练所述目标神经网络，直至所述加权损失值收敛，得到训练完成的目标神经网络。

3.根据权利要求1所述的烟火检测方法，其中，所述特征提取网络采用转移注意力Shuffle Attention机制；

所述利用所述特征提取网络，提取所述目标图像的第一图像特征，包括：

利用采用所述Shuffle Attention机制的所述特征提取网络，提取所述目标图像的中间特征，并按照通道维度进行分组，得到多个子特征；

对于每个所述子特征，同步使用通道注意力机制和空间注意力机制，得到通道级信息和像素级信息；

基于所述通道级信息和所述像素级信息，将所述多个子特征进行融合，得到所述第一图像特征。

4.根据权利要求1所述的烟火检测方法，其中，所述对象分类网络包括至少一层卷积层和分类输出层；

所述利用所述对象分类网络，对所述第一图像特征进行对象类别预测，得到烟火预测结果，包括：

利用所述至少一层卷积层对所述第一图像特征进行卷积处理，得到第二图像特征；

利用所述分类输出层对所述第二图像特征进行对象类别预测，得到所述烟火预测结果。

5.根据权利要求4所述的烟火检测方法，其中，所述分类输出层包括激活函数logistic函数；

利用所述分类输出层对所述第二图像特征进行对象类别预测，得到所述烟火预测结果，包括：

根据所述第二图像特征，确定所述logistic函数的输出结果；所述logistic函数的输出结果用于表征所述烟火预测结果。

6.根据权利要求1所述的烟火检测方法，其中，在得到烟火预测结果之后，还包括：

在基于所述烟火预测结果确定存在烟火事件的情况下，生成报警提示信息。

7.一种烟火检测系统，其包括数据采集模块、目标检测模块；所述目标检测模块中部署有目标神经网络；所述目标神经网络包括特征提取网络和对象分类网络；所述特征提取网络为不具有下采样层Focus层的轻量级网络；

所述数据采集模块，被配置为获取目标图像；

所述特征提取网络，被配置为提取所述目标图像的第一图像特征；

所述对象分类网络，被配置为对所述第一图像特征进行对象类别预测，得到烟火预测结果。

8.根据权利要求7所述的烟火检测系统，其中，还包括模型训练模块；

所述模型训练模块，被配置为获取样本数据集；所述样本数据集中包括标注有位置标签和类别标签的多帧样本图像；根据所述样本数据集，对待训练的目标神经网络进行训练；构造加权损失值，通过对所述加权损失值进行加权反向传播以持续训练所述目标神经网络，直至所述加权损失值收敛，得到训练完成的目标神经网络。

9.一种计算机设备，其中，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6中任一项所述的烟火检测方法的步骤。

10.一种计算机非瞬态可读存储介质，其中，该计算机非瞬态可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6中任一项所述的烟火检测方法的步骤。

Images