[發明專利]一種基于深度學習的火災檢測方法

有效

• 申請號: 201910053187.4
• 申請日: 2019-01-21
• 公開（公告）號: CN109785574B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 應自爐;龍祥;趙毅鴻;甄俊杰
• 申請（專利權）人: 五邑大學
• 主分類號: G08B17/12
• 分類號: G08B17/12
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吳偉文

1.一種基于深度學習的火災檢測方法，其特征在于，包括以下步驟：

S1)、通過檢測模塊實時采集火焰圖像作為訓練集；

S2)、采用labelmap軟件對訓練集中的每張圖像進行火焰標記；

S3)、構建卷積神經網絡模型Faster-rnn；

S4)、將步驟S2)中的訓練圖像集輸入Faster-rnn模型進行訓練并對其參數進行微調，直至網絡模型達到收斂狀態，得到訓練好的火災檢測模型；

S5)、將檢測模塊采集的火焰圖像進行火焰標記后輸入訓練好的火災檢測模型中，若則檢測現場出現火災，其中，S_anchor為檢測的火焰面積，S_ground為標記的火焰面積；

S6)、根據訓練好的火災檢測模型計算火災位置，根據以及在Y-Z平面的投影得到

其中，f為攝像頭焦距，X₁、X₂為分別為兩個攝像頭的橫坐標，y為兩個攝像頭觀察同一目標時圖像的距離差距，X為火焰的橫向坐標，Y表示火焰縱向坐標，Z表示攝像頭與畫面之間的距離，B為兩個攝像頭之間的距離；

S7)將火災位置發給相應的滅火設備，進行滅火。

2.根據權利要求1所述的一種基于深度學習的火災檢測方法，其特征在于：所述的檢測模塊為多個旋轉雙目攝像頭。

3.根據權利要求1所述的一種基于深度學習的火災檢測方法，其特征在于：步驟S2)中，對訓練圖像進行火焰標記，具體為：使用labelmap軟件讀取5火焰圖，再用矩形框將目標區域進行選取，得到目標的坐標信息并存儲在xml文件中。

4.根據權利要求1所述的一種基于深度學習的火災檢測方法，其特征在于：步驟S3)中，構建卷積神經網絡模型Faster-rnn包括依次連接的卷積層、ROI池化層、全局平均池化層、2個全連接層。

5.根據權利要求1所述的一種基于深度學習的火災檢測方法，其特征在于：步驟S7)中，所述的滅火設備為可旋轉的噴水槍，所述的噴水槍的仰角為其中，Y、Z分別為火焰中心點的y軸和z軸坐標。