一种基于深度学习目标检测和分类技术的火焰检测算法.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CN113627223A(43)申请公布日2021.11.09(21)申请号202110018410.9G06N3/04(2006.01)(22)申请日2021.01.07G06N3/08(2006.01)(71)申请人广州中国科学院软件应用技术研究所地址510000广东省广州市南沙经济技术开发区管理委员会、中国科学院软件研究所申请人广州市智能软件产业研究院(72)发明人吴军韩朋朋李家兴(74)专利代理机构广州正驰知识产权代理事务所(普通合伙)44536代理人洪安鹏(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书1页说明书7页附图4页(54)发明名称一种基于深度学习目标检测和分类技术的火焰检测算法(57)摘要本发明公开了一种基于深度学习目标检测和分类技术的火焰检测算法，涉及火焰检测算法技术领域，包括以下步骤，数据集的来源，网络架构的设计，网络架构的预训练，指定评估标准和火焰检测阈值选择。本发明解决了火焰颜色的干扰、摄像头视角多样性导致颜色分布不均、物体遮挡导致火焰呈现不完整、摄像头曝光导致火焰漏报或误报的问题具有自定义的深度卷积火焰检测网络和自定义的深度卷积火焰分类网络，利用深度卷积神经网络的多任务和K‑mean方式得多先验框，完成了火焰的准确检测，高效的深度卷积分类网络，进一步地完成了火焰和非火焰的准确分类，降低了算法误报，高准确率且实时的火焰检测技术在消防系统领域具有广阔的应用前景。CN113627223ACN113627223A权利要求书1/1页1.一种基于深度学习目标检测和分类技术的火焰检测算法，其特征在于：包括以下步骤，步骤一：数据集的来源；步骤二：网络架构的设计；步骤三：网络架构的预训练；步骤四：指定评估标准；步骤五：火焰检测阈值选择。2.根据权利要求1所述的一种基于深度学习目标检测和分类技术的火焰检测算法，其特征在于：所述步骤一中数据集的来源为真实应用场景数据集，训练集5000张，验证集500张，测试集1000张，采用自定义的标注工具进行数据标注。3.根据权利要求1所述的一种基于深度学习目标检测和分类技术的火焰检测算法，其特征在于：所述步骤二中网络架构的设计包括火焰检测网络的设计和火焰分类网络的设计，所述火焰检测网络的设计采用53层卷积层作为输入图像的特征提取层，采用了3个不同尺度的特征图来进行目标检测，所述火焰分类网络的设计采用18层残差网络作为输入图像的特征提取层，采用了2个输出来进行分类回归。4.根据权利要求1所述的一种基于深度学习目标检测和分类技术的火焰检测算法，其特征在于：所述步骤三中网络架构的预训练包括火焰检测的预训练和火焰分类的预训练。5.根据权利要求1所述的一种基于深度学习目标检测和分类技术的火焰检测算法，其特征在于：所述步骤四中指定评估标准采用自标注测试数据集，AP作为算法准确率的计算方式，用以验证算法的准确性。6.根据权利要求1所述的一种基于深度学习目标检测和分类技术的火焰检测算法，其特征在于：所述步骤五中火焰检测阈值选择既要完成部分遮挡火焰检测，也要在检测区域不发生误检，所以需要根据现场情况进行多次实验，完成火焰阈值的选择。2CN113627223A说明书1/7页一种基于深度学习目标检测和分类技术的火焰检测算法技术领域[0001]本发明涉及一种基于深度学习目标检测和分类技术的火焰检测算法，涉及火焰检测算法技术领域。背景技术[0002]火焰检测算法，是目前学术界研究的一项重要领域。其应用广泛，商用价值较高，且对生活生产方面有着一定的指导意义。算法主要应用于森林、商场、加油站、仓库、工厂等场景的防火系统，这些场景在日常环境下必须做到防火，以保障生命和财产的安全。目前火焰检测主要通过两种方式：一是通过红外相机和温度传感器检测，火焰发生时，环境局部会升温，通过红外相机和温度传感器可以有效地感应出哪些区域温度有所变化，从而判断是否有火焰产生；二是通过深度学习的图像分类，对大量火焰图片和非火焰图片进行分类处理，从而判断一张图像是否属于某一类。第一种方法在一般场景下能作为火焰检测的标准，但是一旦出现特殊场景，此方法可能不太适用，比如被加热的钢管或者是某些场景下存在锅炉等，都会造成算法的误报或者是漏报，不利于场景的泛化。第二种方法能在大多数场景下使用，具备一定的鲁棒性，但是若出现汽车的尾灯、强光的照射或是相机的曝光，导致局部图像出现红色或是橙色，就会引起误报。本算法采用的是基于深度学习目标检测和分类相结合的火焰检测算法。[0003]针对现有技术存在以下问题：[0004]现有的火焰检测，主要存在以下难点：火焰颜色的干扰、摄像头视角多样性导致颜色分布不均、物体遮挡导致火焰呈现不完整、摄像