基于多尺度特征的火灾检测方法、装置、存储介质和设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114120238A(43)申请公布日2022.03.01(21)申请号202111450061.4(22)申请日2021.12.01(71)申请人华能东莞燃机热电有限责任公司地址523590广东省东莞市谢岗镇银山科技园(72)发明人田际孙伟生冯庭有蔡承伟单婕江志宏黄欢颜景博袁方雅杨连凯张龙(51)Int.Cl.G06V20/52(2022.01)G06V10/44(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图6页(54)发明名称基于多尺度特征的火灾检测方法、装置、存储介质和设备(57)摘要本发明提供一种基于多尺度特征的火灾检测方法、装置、存储介质和设备，检测方法包括：获取初始图像训练样本；初始图像训练样本包括火焰和烟雾的图像；对初始图像训练样本进行预处理，得到目标图像训练样本；利用初始网络模型对目标图像训练样本进行特征提取，得到多尺度特征；多尺度特征包括至少三个特征通道的尺度特征，且相邻的两个特征通道的尺度特征存在上下文关系；根据各个特征通道的尺度特征的上下文关系进行自主学习，得到强化特征；根据强化特征对初始网络模型进行训练，得到训练后的目标网络模型；将待检测图像输入到目标网络模型，得到目标网络模型输出火灾检测结果。本发明可以同时识别烟雾和火焰，从而得到准确的火灾检测结果。CN114120238ACN114120238A权利要求书1/3页1.一种基于多尺度特征的火灾检测方法，其特征在于，包括：获取初始图像训练样本；所述初始图像训练样本包括火焰和烟雾的图像；对所述初始图像训练样本进行预处理，得到目标图像训练样本；利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征；所述多尺度特征包括至少三个特征通道的尺度特征，且相邻的两个特征通道的尺度特征存在上下文关系；根据各个所述特征通道的尺度特征的上下文关系进行自主学习，得到强化特征；根据强化特征对所述初始网络模型进行训练，得到训练后的目标网络模型；将待检测图像输入到所述目标网络模型，得到所述目标网络模型输出火灾检测结果。2.根据权利要求1所述的基于多尺度特征的火灾检测方法，其特征在于，所述对所述初始图像训练样本进行预处理，得到目标图像训练样本，包括：对所述初始图像训练样本分别进行旋转，水平翻转，对比度调整处理，得到旋转后的初始图像训练样本、水平翻转后的初始图像训练样本和对比度调整后的初始图像训练样本；将所述初始图像训练样本、旋转后的初始图像训练样本、水平翻转后的初始图像训练样本和对比度调整后的初始图像训练样本确定为目标训练样本。3.根据权利要求1所述的基于多尺度特征的火灾检测方法，其特征在于，所述利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征的步骤之前，包括：利用所述初始网络模型对所述目标图像训练样本进行下采样卷积处理、批量归一化处理和激活处理。4.根据权利要求1所述的基于多尺度特征的火灾检测方法，其特征在于，所述利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征的步骤，包括：利用残差模块对所述目标图像训练样本进行特征提取；其中，所述残差模块包括至少五个存在上下文关系的残差单元；将最后至少三个所述残差单元提取的特征确定为对应的所述特征通道的尺度特征，得到所述多尺度特征。5.根据权利要求4所述的基于多尺度特征的火灾检测方法，其特征在于，所述根据各个所述特征通道的尺度特征的上下文关系进行自主学习，得到强化特征的过程，包括：获取探究上文信息和下文信息后的特征，过程如下公式：；其中，为探究上文信息和下文信息后的特征，为归一化指数函数，为包含上文信息的特征，为包含下文信息的特征；计算强化特征，过程如下公式：；2CN114120238A权利要求书2/3页其中，为所述强化特征，为对特征进行归一化，为上文特征。6.一种基于多尺度特征的火灾检测装置，其特征在于，包括：初始训练样本获取模块、目标训练样本获取模块、多尺度特征提取模块、强化特征获取模块、网络模型训练模块和检测模块；所述初始训练样本获取模块用于，获取初始图像训练样本；所述初始图像训练样本包括火焰和烟雾的图像；所述目标训练样本获取模块用于，对所述初始图像训练样本进行预处理，得到目标图像训练样本；所述多尺度特征提取模块用于，利用初始网络模型对所述目标图像训练样本进行特征提取，得到多尺度特征；所述多尺度特征包括至少三个特征通道的尺度特征，且相邻的两个特征通道的尺度特征存在上下文关系；所述强化特征获取模块用于，根据各个所述特征通道的尺度特征的上下文关系进