[發明專利]一種火焰檢測方法、系統、終端設備及可讀存儲介質

在審

• 申請號: 202110594456.5
• 申請日: 2021-05-28
• 公開（公告）號: CN113313028A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 孫浩飛;王南;高坤;魏昊焜;高峰;郭安祥;王辰曦;張海軍;李群;楊彪;張欣宜;黃竣峰
• 申請（專利權）人: 國網陜西省電力公司電力科學研究院;哈爾濱工業大學（深圳）;國家電網有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 范巍

本發明公開了一種火焰檢測方法、系統、終端設備及可讀存儲介質，所述火焰檢測方法包括以下步驟：將被檢測電網監控視頻幀輸入預訓練好的火焰檢測模型中，通過所述火焰檢測模型輸出所述被檢測電網監控視頻幀火焰檢測結果；所述火焰檢測模型包括：特征獲取模塊；特征展開模塊；特征編碼模塊；特征解碼模塊；預測輸出模塊。本發明提供了基于視覺感知的電網場景下的火焰檢測模型，以電網監控視頻幀數據作為輸入；在多頭自注意力編碼?解碼方法的基礎上，更注重于提升目標的檢測精度。

技術領域

本發明屬于視頻物體檢測技術領域，涉及電網場景下的火焰檢測技術領域，特別涉及一種火焰檢測方法、系統、終端設備及可讀存儲介質。

背景技術

隨著智能電網的快速發展，電網系統安全性的監控和維護變得越來越重要。火災作為自然災害的一種，對于輸電桿和輸電線路等電網設施的潛在危害巨大。因此，火焰檢測是實現電網系統實時監控和預警的關鍵環節。

由于電網監控圖像數據集的缺乏，尤其是電網監控圖像中含有火焰的數據更是異常稀缺。因此，基于圖像數據的火焰檢測模型的研究并沒有大量展開，現有檢測方法大概率會將路燈、太陽等與火焰顏色相近的物體誤判為火焰，誤檢率非常高。

在檢測算法上，現有的圖像物體檢測方法分為傳統方法和深度卷積神經網絡方法。傳統方法的性能受限于傳統特征抽取方法進展較為緩慢。近年來，隨著深度學習在許多視覺任務上取得了不錯的成果，基于深度卷積神經網絡的圖像物體檢測的方法的提出促進了這一領域的發展，并在性能上超越了傳統方法。此外，基于自注意力機制的圖像分類與目標檢測等計算機視覺任務在近兩年也獲得了突破性的進展。然而，不同的視頻數據適用的物體檢測方法也不盡相同，針對目前圖像火焰檢測算法檢測率低，誤檢率高的不足，亟需一種新的基于視覺感知的電網場景下的火焰檢測方法及系統。

發明內容

本發明的目的在于提供一種火焰檢測方法、系統、終端設備及可讀存儲介質，以解決上述存在的一個或多個技術問題。本發明能夠完成電網場景下的火焰檢測這一分類任務，能夠提高檢測率，降低誤檢率。

為達到上述目的，本發明采用以下技術方案：

本發明的一種火焰檢測方法，包括以下步驟：

將被檢測電網監控視頻幀輸入預訓練好的火焰檢測模型中，通過所述火焰檢測模型輸出所述被檢測電網監控視頻幀火焰檢測結果；

所述火焰檢測模型包括：

特征獲取模塊，用于將監控視頻幀輸入深度卷積神經網絡進行圖像的特征提取，獲得特征圖；

特征展開模塊，用于將獲得的特征圖分為多個固定尺寸的子特征圖，并將其一維平展為一個線性子特征圖序列；將子特征圖序列與子特征圖在原特征圖中的位置編碼形成完整的線性輸入序列；

特征編碼模塊，用于利用多頭自注意力模塊和前饋網絡模塊，將所述線性輸入序列進行特征提取，使得特征包含幀內上下文的語義和位置信息，獲得處理后的特征；

特征解碼模塊，用于采用自注意力與注意力機制，將所述處理后的特征通過多個交替的多頭自注意力模塊、多頭注意力模塊和前饋網絡模塊結合輸出位置編碼進行解碼，輸出與查詢對象同維度的特征結果；

預測輸出模塊，用于將所述特征結果輸入一個預測前饋網絡，生成最終的預測類標簽和邊界框集合，獲得火焰檢測結果。

本發明的進一步改進在于，所述特征獲取模塊中，將監控視頻幀輸入深度卷積神經網絡進行圖像的特征提取，獲得特征圖的步驟具體包括：

基于給定的標注過的視頻數據集，構建獲得訓練數據集；其中，所述給定的標注過的視頻數據集包括通過合成方式生成的電網場景下火焰數據；