[發明專利]一種基于深度學習及火災監控視頻的火災趨勢預測方法

有效

• 申請號: 202110435704.1
• 申請日: 2021-04-22
• 公開（公告）號: CN113128412B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 張可;柴毅;曹珅鶯;王露;劉爽
• 申請（專利權）人: 重慶大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V10/56;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶市嘉允啟行專利代理事務所(普通合伙) 50243
• 代理人: 胡柯

1.一種基于深度學習及火災監控視頻的火災趨勢預測方法，其特征在于，具體步驟如下：

1)獲取歷史監控視頻和實時監控視頻，對歷史監控視頻和實時監控視頻進行分割，構建歷史圖像數據集和實時圖像數據集；

2)利用歷史監控視頻信息，結合遷移學習和公開的ResNet網絡預訓練模型，訓練構建火災圖像檢測模型；

3)通過火災圖像檢測模型對實時圖像數據集進行檢測，對檢測結果進行分析判斷，反饋修正火災圖像檢測模型：

4)將實時圖像數據集中的數據通過火災圖像檢測模型檢測，對于連續長度超過預設值M的實時連續火災圖像，將其灰度化，構建多維灰度值多元時間序列；

5)采用分布式集成預測模型對步驟4)中所述多元時間序列進行預測，獲得實時火災灰度圖像趨勢預測結果；

步驟3)中反饋修正火災圖像檢測模型的具體步驟如下：

3-1)若識別出的火災圖像50％及以上是連續的，且連續長度超過預設值M，則系統立馬發出火災報警信號，轉入人工系統核實校對檢測結果是否正確；

若核 實檢測結果正確，則將連續識別出的火災圖像中缺少的那些圖像篩選出來，由人工判斷，是否為火災圖像；若是，則將火災圖像存入誤分類圖像數據庫，并做好數據標注；若否，則不做任何處理；

若核 實檢測結果錯誤，則將連續識別出的火災圖像的所有圖像篩選出來，由人工判斷，模型分類結果是否正確，若是，則M的長度重新設置，使其等于該次誤報警中的火災圖像連續長度值；若否，則分類錯誤的圖像存入誤分類圖像數據庫，并做好數據標注；

3-2)若識別出的火災圖像低于50％以上是連續的，或50％以上是連續但連續長度不超過預設值M，則不報警，將識別出的火災圖片轉入人工系統核實校對，若核實錯誤，則將識別出的火災圖像放入誤分類圖像數據庫，并做好數據標注；若核實正確，則不做任何處理；

3-3)若未識別出火災圖像，但是實際上已經發生火災，則將火災發生時間內的所有實時圖像數據集全部經由人工審核，將識別錯的圖像做好數據標注，并放入誤分類圖像數據庫；

3-4)將誤分類圖像數據庫的圖像作為反饋訓練數據集，重新輸入火災圖像檢測模型，以相對應的數據標注標簽為對應輸出，再一次訓練模型。

2.如權利要求1所述的一種基于深度學習及火災監控視頻的火災趨勢預測方法，其特征在于，步驟1)中所述對歷史監控視頻和實時監控視頻進行分割的具體方法為：

將所有圖像灰度化，計算幀數相鄰兩張灰度圖像的像素點差值，獲得一個像素點差值矩陣，公式如下：

poin_diff＝abs(A_n×m-B_n×m)

其中，A_n×m，B_n×m分別代表前面一張灰度圖像的灰度值矩陣和后面一張灰度圖像的灰度值矩陣，abs(·)代表取絕對值；

求poin_diff中元素的最大值Max；

尋找多組發生火災前后的火災監控視頻的兩幀圖像，計算得到多組最大像素差值，r為其均值；

若相鄰圖片像素點的最大灰度差值Max大于設定閾值r，且圖片連續長度大于預設值N₁，則切斷視頻流，將切斷視頻流中的圖像作為一個圖像數據集；

若相鄰圖片像素點的最大灰度差值Max小于設定閾值r，且圖片連續長度大于預設值N₂，則切斷視頻流，將切斷視頻流中的圖像作為一個圖像數據集。

3.如權利要求2所述的一種基于深度學習及火災監控視頻的火災趨勢預測方法，其特征在于，步驟2)中所述訓練構建火災圖像檢測模型的具體步驟如下：

2-1)對歷史圖像數據集是否為火災圖像進行二分類標注，分別標注為1和0，1代表火災圖像，0代表一般圖像；選擇相同數目的火災圖像和一般圖像，構成歷史火災圖像數據集；

2-2)將ResNet網絡預訓練模型的最后輸出層單元個數修改為2，將歷史火災圖像數據集的70％用于該模型的遷移學習，30％用于新訓練的ResNet18模型的測試，獲得火災圖像檢測模型。