[發明專利]基于機器學習的火災檢測方法

在審

• 申請號: 202011377466.5
• 申請日: 2020-11-30
• 公開（公告）號: CN112396023A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 徐俊生;張俊;陳洋;馬兵會
• 申請（專利權）人: 北京華正明天信息技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G08B17/12;G06N3/04;G06N3/08
• 代理公司: 深圳市恒程創新知識產權代理有限公司 44542
• 代理人: 劉冰

1.一種基于機器學習的火災檢測方法，其特征在于，所述基于機器學習的火災檢測方法包括：

獲取山林視頻圖像，對所述山林視頻圖像進行逐幀識別，并根據識別結果判斷所述山林視頻圖像中是否存在可疑火災圖像；

在所述山林視頻圖像中存在可疑火災圖像時，獲取所述可疑火災圖像，并通過預設神經網絡模型對所述可疑火災圖像進行圖像特征提取，以獲得圖像特征集；

檢測所述圖像特征集中是否存在火焰煙霧特征，若存在，則根據所述可疑火災圖像生成火災預警信息。

2.如權利要求1所述的基于機器學習的火災檢測方法，其特征在于，所述獲取山林視頻圖像，對所述山林視頻圖像進行逐幀識別，并根據識別結果判斷所述山林視頻圖像中是否存在可疑火災圖像的步驟，包括：

獲取山林視頻圖像，對所述山林視頻圖像進行逐幀識別，獲得多幀山林圖像；

根據預設火災圖像分類模型對所述多幀山林圖像進行分類，獲得圖像分類結果；

根據所述圖像分類結果中包含的圖像類別概率判斷所述山林視頻圖像中是否存在可疑火災圖像。

3.如權利要求2所述的基于機器學習的火災檢測方法，其特征在于，所述獲取山林視頻圖像，對所述山林視頻圖像進行逐幀識別的步驟之前，所述方法還包括：

獲取包含預設類型標簽的訓練圖像集，所述預設類型標簽包括火災標簽和非火災標簽；

根據所述訓練圖像集中的圖像對初始二分類模型進行模型訓練，獲得待測試火災圖像分類模型；

獲取測試圖像集，根據所述測試圖像集對所述待測試火災圖像分類模型進行測試，并獲得模型測試結果；

讀取所述模型測試結果中的圖像分類準確率，并在所述圖像分類準確率不低于預設閾值時，將所述待測試火災圖像分類模型作為預設火災圖像分類模型。

4.如權利要求1所述的基于機器學習的火災檢測方法，其特征在于，所述在所述山林視頻圖像中存在可疑火災圖像時，獲取所述可疑火災圖像，并通過預設神經網絡模型對所述可疑火災圖像進行圖像特征提取，以獲得圖像特征集的步驟，包括：

在所述山林視頻圖像中存在可疑火災圖像時，獲取所述可疑火災圖像；

獲取所述可疑火災圖像的當前圖像分辨率，并將所述當前圖像分辨率與預設分辨率閾值進行比較；

在所述當前圖像分辨率小于所述預設分辨率時，對所述可疑火災圖像進行圖像增強處理，以獲得處理后的可疑火災圖像；

通過預設神經網絡模型對所述處理后的可疑火災圖像進行圖像特征提取，以獲得圖像特征集。

5.如權利要求4所述的基于機器學習的火災檢測方法，其特征在于，所述通過預設神經網絡模型對所述處理后的可疑火災圖像進行圖像特征提取，以獲得圖像特征集的步驟，包括：

對所述處理后的可疑火災圖像進行灰度化，獲得可疑火災灰度圖像；

獲取所述可疑火災灰度圖像中各像素點對應的像素值，根據所述像素值構建灰度圖像像素矩陣；

通過預設神經網絡模型對所述灰度圖像像素矩陣進行卷積操作，獲得特征映射矩陣；

通過所述預設神經網絡模型對特征映射矩陣進行池化操作，獲得降維后的特征映射矩陣，并根據所述降維后的特征映射矩陣確定圖像特征集。

6.一種基于機器學習的火災檢測裝置，其特征在于，所述基于機器學習的火災檢測裝置包括：

圖像識別模塊，用于獲取山林視頻圖像，對所述山林視頻圖像進行逐幀識別，并根據識別結果判斷所述山林視頻圖像中是否存在可疑火災圖像；

特征提取模塊，用于在所述山林視頻圖像中存在可疑火災圖像時，獲取所述可疑火災圖像，并通過預設神經網絡模型對所述可疑火災圖像進行圖像特征提取，以獲得圖像特征集；

火災預警模塊，用于檢測所述圖像特征集中是否存在火焰煙霧特征，若存在，則根據所述可疑火災圖像生成火災預警信息。