[發(fā)明專利]基于深度學習的安防場景火焰檢測方法

在審

• 申請?zhí)枺?/td>: 202010614656.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111814638A
• 公開（公告）日: 2020-10-23
• 發(fā)明（設計）人: 吉翔
• 申請（專利權）人: 成都睿沿科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產(chǎn)權代理有限公司 51230
• 代理人: 黃蓉蓉

1.基于深度學習的安防場景火焰檢測方法，其特征在于：包括如下步驟：

S1.通過深度學習神經(jīng)網(wǎng)絡訓練出用于識別火焰形狀的單階段檢測模型；

S2.通過深度學習神經(jīng)網(wǎng)絡訓練出用于識別火焰動態(tài)變化的類行為識別分類模型；

S3.將監(jiān)控攝像頭實時拍攝的視頻回傳給后臺服務器；

S4.后臺服務器對回傳的視頻流數(shù)據(jù)進行解碼為多幀圖片；

S5.將步驟S4中得到的圖片輸入單階段檢測模型，單階段檢測模型檢測是否有疑似火焰的區(qū)域，若無則重復步驟S3、S4；若有，則輸出圖中疑似火焰的區(qū)域；

S6.根據(jù)步驟S4中所識別到的疑似火焰的區(qū)域，對視頻中與之對應區(qū)域進行視頻幀截取，從而獲得以疑似火焰的區(qū)域為主體的連續(xù)視頻幀；

S7.將步驟S6中得到的連續(xù)視頻幀分為N個子片段，從每個子片段中均采樣一幀，此為采樣幀；

S8.將步驟S7中得到的采樣幀輸入類行為識別分類模型，類行為識別分類模型對連續(xù)視頻幀中火焰在時間維度上的動態(tài)變化進行收集，當類行為識別分類模型識別出連續(xù)視頻幀中的火焰的動態(tài)變化，則后臺服務器進行報警。

2.根據(jù)權利要求1所述的基于深度學習的安防場景火焰檢測方法，其特征在于：所述S1具體包括如下步驟：

a、數(shù)據(jù)準備：拍攝和/或搜集火焰視頻；

b、標注：先將視頻解碼為圖片，接著用打標簽軟件將圖中火焰標注出來，并根據(jù)標注獲得圖像中火焰的位置(x,y,w,h)格式，其中x,y為火焰所在矩形框左上角坐標，w、h為火焰矩形框的寬和高；

c、訓練：采用純yolov3全網(wǎng)絡或者efficient-bo框架做backbone后面接yolov3輕量化檢測頭作為單階段檢測模型的網(wǎng)絡結構，接著用步驟b得到的標注好的圖片作為網(wǎng)絡輸入，以圖片中所有的火焰位置作為預測目標，計算預測結果和真實值差異，用反向傳播算法更新網(wǎng)絡權重，最終訓練出計算預測結果和真實值基本匹配的用于識別火焰形狀的單階段檢測模型。

3.根據(jù)權利要求1所述的基于深度學習的安防場景火焰檢測方法，其特征在于：所述S2具體包括如下步驟：

A、數(shù)據(jù)準備:拍攝和/或搜集火焰視頻；

B、標注：標注出每個視頻火焰的開始幀和結束幀以及火焰的位置；

C、訓練：采用ECO行為識別網(wǎng)絡結構作為類行為識別分類模型的網(wǎng)絡結構，步驟B中得到的標注好的視頻中，從一次火焰發(fā)生到結束算作正樣本事件，未標注為火焰的視頻段記為負樣本事件，從正、負樣本事件中均采樣N幀，作為網(wǎng)絡輸入，事件的正、負作為標簽，計算預測結果和真實值差異，用反向傳播算法更新網(wǎng)絡權重，最終訓練出計算預測結果和真實值基本匹配的用于識別火焰動態(tài)變化的類行為識別分類模型；所述N≥2，且N為自然數(shù)。

4.根據(jù)權利要求3所述的基于深度學習的安防場景火焰檢測方法，其特征在于：所述N＝16。

5.根據(jù)權利要求3所述的基于深度學習的安防場景火焰檢測方法，其特征在于：所述S7中，將采樣幀先輸入2D卷積網(wǎng)絡處理，提取每一幀的對應的特征；然后通過將多幀的特征聯(lián)合處理，3D網(wǎng)絡提取時間維度上的特征，從而收集了火焰在時間維度上的動態(tài)變化，最終2D與3D網(wǎng)絡提取的特征用于分類模塊，通過分類模塊分類是否為火焰。