[發(fā)明專利]一種火點檢測方法、裝置、電子設備及存儲介質

有效

• 申請?zhí)枺?/td>: 201810415385.6
• 申請日: 2018-05-03
• 公開（公告）號: CN110443969B
• 公開（公告）日: 2021-06-04
• 發(fā)明（設計）人: 武文靜;梁俊;全兵
• 申請（專利權）人: 中移（蘇州）軟件技術有限公司;中國移動通信集團有限公司
• 主分類號: G08B17/00
• 分類號: G08B17/00;G06K9/00;G06K9/62
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 郭潤湘

1.一種火點檢測方法，其特征在于，所述方法包括：

獲取待檢測區(qū)域的第一圖像，根據(jù)所述第一圖像及預先訓練完成的場景分類模型，識別所述待檢測區(qū)域當前對應的目標場景類型；

根據(jù)所述第一圖像及與所述目標場景類型對應的預先訓練完成的卷積神經網絡框架-對象檢測caffe-ssd模型，識別所述待檢測區(qū)域是否存在火焰和/或煙霧，如果是，確定所述待檢測區(qū)域存在火點；

否則，確定所述待檢測區(qū)域不存在火點；

其中，如果確定所述待檢測區(qū)域存在火點，所述方法還包括：

在獲取所述待檢測區(qū)域的第一圖像之后的設定時長內，獲取所述待檢測區(qū)域連續(xù)的第一設定數(shù)量的第二圖像；

根據(jù)所述第二圖像及與所述目標場景類型對應的預先訓練完成的長短期記憶網絡LSTM模型，識別所述待檢測區(qū)域是否存在火焰和/或煙霧，如果是，確定所述待檢測區(qū)域存在火點。

2.如權利要求1所述的方法，其特征在于，對每個場景類型對應的LSTM模型訓練的過程包括：

針對每個場景類型，將該場景類型對應的第一訓練集中每組連續(xù)的第二設定數(shù)量的已標注出火焰區(qū)域和煙霧區(qū)域的第一樣本圖像，輸入到該場景類型對應的LSTM模型中，對該場景類型對應的LSTM模型進行訓練。

3.如權利要求1所述的方法，其特征在于，對所述場景分類模型訓練的過程包括：

針對第二訓練集中每張第二樣本圖像，根據(jù)該第二樣本圖像對應的場景類型，為該第二樣本圖像添加對應的場景類型標簽；

將添加標簽后的每張第二樣本圖像輸入到場景分類模型中，對場景分類模型進行訓練。

4.如權利要求3所述的方法，其特征在于，所述場景分類模型為卷積神經網絡分類器。

5.如權利要求1所述的方法，其特征在于，對每個場景類型對應的caffe-ssd模型訓練的過程包括：

針對每個場景類型，將該場景類型對應的第三訓練集中每張已標注出火焰區(qū)域和煙霧區(qū)域的第三樣本圖像，輸入到該場景類型對應的caffe-ssd模型中，對該場景類型對應的caffe-ssd模型進行訓練。

6.如權利要求1-5任一項所述的方法，其特征在于，所述場景類型包括以下至少一種：

夜晚場景、白天霧霾場景、白天森林場景、白天農田場景、白天雨雪場景。

7.一種火點檢測裝置，其特征在于，所述裝置包括：

獲取識別模塊，用于獲取待檢測區(qū)域的第一圖像，根據(jù)所述第一圖像及預先訓練完成的場景分類模型，識別所述待檢測區(qū)域當前對應的目標場景類型；

第一檢測模塊，用于根據(jù)所述第一圖像及與所述目標場景類型對應的預先訓練完成的卷積神經網絡框架-對象檢測caffe-ssd模型，識別所述待檢測區(qū)域是否存在火焰和/或煙霧，如果是，確定所述待檢測區(qū)域存在火點；否則，確定所述待檢測區(qū)域不存在火點；

其中，所述獲取識別模塊，還用于如果第一檢測模塊確定所述待檢測區(qū)域存在火點，在獲取所述待檢測區(qū)域的第一圖像之后的設定時長內，獲取所述待檢測區(qū)域連續(xù)的第一設定數(shù)量的第二圖像；

所述裝置還包括：

第二檢測模塊，用于根據(jù)所述第二圖像及與所述目標場景類型對應的預先訓練完成的長短期記憶網絡LSTM模型，識別所述待檢測區(qū)域是否存在火焰和/或煙霧，如果是，確定所述待檢測區(qū)域存在火點。

8.如權利要求7所述的裝置，其特征在于，所述裝置還包括：

第一訓練模塊，用于針對每個場景類型，將該場景類型對應的第一訓練集中每組連續(xù)的第二設定數(shù)量的已標注出火焰區(qū)域和煙霧區(qū)域的第一樣本圖像，輸入到該場景類型對應的LSTM模型中，對該場景類型對應的LSTM模型進行訓練。

9.如權利要求7所述的裝置，其特征在于，所述裝置還包括：

第二訓練模塊，用于針對第二訓練集中每張第二樣本圖像，根據(jù)該第二樣本圖像對應的場景類型，為該第二樣本圖像添加對應的場景類型標簽；將添加標簽后的每張第二樣本圖像輸入到場景分類模型中，對場景分類模型進行訓練。