[發明專利]一種基于深度學習的城市火災報警方法

有效

• 申請號: 201810315652.2
• 申請日: 2018-04-10
• 公開（公告）號: CN108389359B
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 李會軍;王瀚洋;葉賓;常金鵬;王海波
• 申請（專利權）人: 中國礦業大學
• 主分類號: G08B17/12
• 分類號: G08B17/12;G06K9/62
• 代理公司: 北京淮海知識產權代理事務所(普通合伙) 32205
• 代理人: 張旭

本發明公開了一種基于深度學習的城市火災報警方法，用監控攝像頭、云服務器、自動報警模塊和監控中心相結合方式，先對深度學習網絡進行火災圖像和非火災圖像的訓練，然后通過監控攝像頭將實時拍攝的圖像傳遞給云服務器，云服務器通過深度學習網絡對拍攝圖像確定其是否為疑似火災圖像，如拍攝的圖像確定為疑似火災圖像，云服務器控制自動報警模塊進行預警提示，同時云服務器將疑似火災圖像傳遞給監控中心進行顯示，此時消防人員只需對疑似火災的圖像進行判斷，就可對火災險情進行在線排查，確定發生火災后能夠及時出警。

技術領域

本發明涉及一種城市火災報警方法，具體是一種基于深度學習的城市火災報警方法。

背景技術

基于深度學習的目標檢測是指將深度學習應用在計算機視覺中。與傳統視覺目標檢測只標記位置不同，基于深度學習的目標檢測不僅要預測物體的位置，還要對物體分類。傳統視覺檢測算法目前僅在人臉和行人識別上的檢測效果較好，但是其魯棒性差，從而導致在陰暗或者復雜環境下對目標檢測效果不佳。而基于深度學習的目標檢測魯棒性強，同時其能將定位以及分類問題結合起來，最終完成同時檢測和分類多個目標。使用深度學習的目標檢測會更加高效和可靠。

傳統的城市火災報警系統，一般由火災探測器、區域報警器和集中報警器組成；也可以根據工程的要求同各種滅火設施和通訊裝置聯動，以形成中心控制系統。即由自動報警、自動滅火、安全疏散誘導、系統過程顯示、消防檔案管理等組成一個完整的消防控制系統。火災探測器是探測火災的儀器，由于在火災發生的階段，將伴隨產生煙霧、高溫和火光。這些煙、熱和光可以通過探測器轉變為電信號報警或使自動滅火系統啟動，及時撲滅火災。區域報警器能將所在樓層之探測器發出的信號轉換為聲光報警，同時還能監視若干樓層的集中報警器輸出信號或控制自動滅火系統。

目前城市火災報警系統大多數都設置在居室或者大型室內公共場所，其檢測設備大多是煙霧報警器，這種報警器會常有誤觸發，如室內有人抽煙將誤觸發火災報警系統。火災報警后，將會有人員進行排查險情，不準確的報警將導致消防人員徒勞出警。另外如在室外發生火災，室內的火災探測器并不適用，由于室外發生火災時，受到外界氣流影響火災產生的煙霧會在極短的時間內分散，從而導致火災探測器無法獲取煙霧信息，進而無法對室外發生的火災進行預警；另外雖然可通過設置在城市中的各個監控攝像頭觀察各個區域的情況，但是人工無法同時對多個不同的區域進行實時監控，從而也無法對室外發生的火災進行及時預警。

發明內容

針對上述現有技術存在的問題，本發明提供一種基于深度學習的城市火災報警方法，采用深度學習網絡，通過監控攝像頭拍攝圖像，經過云服務器分析處理后僅將疑似火災的圖像通過監控中心顯示，消防人員只需對疑似火災的圖像進行判斷，就可對火災險情進行在線排查，確定發生火災后能夠及時出警。

為了實現上述目的，本發明采用的技術方案是：一種基于深度學習的城市火災報警方法，采用的報警系統包括監控攝像頭、云服務器、自動報警模塊和監控中心，監控攝像頭與云服務器連接，云服務器分別與自動報警模塊和監控中心連接，該方法的具體步驟為：

A、在云服務器中搭建深度學習網絡；

B、拍攝或收集多種不同情況的火災現場圖，將獲取的各個火災現場圖存儲到云服務器中；

C、在云服務器內截取各個火災現場圖中的火焰圖像作為深度學習網絡的正樣本訓練集，并進行存儲；將各個火災現場圖中其他亮點或高亮物體截取后作為深度學習網絡的負樣本訓練集，并進行存儲；

D、深度學習網絡分別讀入正樣本訓練集和負樣本訓練集，并為正樣本訓練集中的各個圖像賦值為1，為負樣本訓練集中的各個圖像賦值為0，進行訓練后確定深度學習網絡的分類網絡模型；

E、監控攝像頭實時拍攝的圖像傳遞給云服務器，云服務器對拍攝的每幀圖像先將RGB彩色圖轉換成灰度圖，再把灰度圖閾值分割后二值化，對二值化后的黑白圖提取目標輪廓；