[發明專利]煙霧和火焰檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202211430723.6
• 申請日: 2022-11-14
• 公開（公告）號: CN115761332A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 王曉暉;梁婷;李彬;李昌毅;張杏嬋;韋佳旭;余聰聰
• 申請（專利權）人: 深圳小湃科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06N3/08;G06V10/774;G06V10/80;G06V10/82;G06N3/0464
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 李俊杰

本發明涉及計算機視覺的技術領域，尤其涉及一種煙霧和火焰檢測方法、裝置、設備及存儲介質，該煙霧和火焰檢測方法包括：對已標記目標物的已標記圖像數據進行預處理，使用預處理后的已標記圖像數據建立訓練數據集，其中，目標物包括煙霧和火焰；通過訓練數據集對基于卷積神經網絡和多頭注意力機制構建的初始神經網絡模型進行訓練，得到目標神經網絡；獲取待檢測環境的待檢圖像數據，將待檢圖像數據輸入所述目標神經網絡模型，得到由所述目標神經網絡模型輸出的檢測結果。本發明實現了提高煙霧和火焰檢測的準確性。

技術領域

本發明涉及計算機視覺的技術領域，尤其涉及一種煙霧和火焰檢測方法、裝置、設備及計算機可讀存儲介質。

背景技術

隨著深度學習在計算機視覺領域的快速發展，基于深度學習的煙霧和火焰檢測算法也成為現在主流的煙霧和火焰檢測方法。深度學習的煙霧和火焰檢測方法從網絡結構上分為One-Stage和Two-Stage。Two-Stage將檢測問題劃分成兩個階段，首先獲取到候選區域進行位置精修和分類階段，代表網絡有R-CNN、Faster R-CNN、Mask-RCNN等。One-Stage方法沒有選取候選區域的階段，直接產生物體的類別概率和位置坐標，相比Two-Stage速度更快，代表網絡有YOLO系列算法、SSD、CenterNet等。

然而，由于檢測區域的圖像數據中目標可能存在巨大的形變，當檢測區域與圖像傳感器的距離太遠時的圖像數據中目標不清晰，以及檢測區域的圖像數據中特征信息少等問題，目前的煙霧和火焰檢測算法容易發生漏檢、誤檢等現象，導致煙霧和火焰的檢測結果不準確。

發明內容

本發明的主要目的在于提供一種煙霧和火焰檢測方法、裝置、設備及計算機可讀存儲介質，旨在提高煙霧和火焰檢測的準確性。

為實現上述目的，本發明提供一種煙霧和火焰檢測方法，該煙霧和火焰檢測方法包括以下步驟：

對已標記目標物的已標記圖像數據進行預處理，使用預處理后的所述已標記圖像數據建立訓練數據集，其中，所述目標物包括煙霧和火焰；

通過所述訓練數據集對基于卷積神經網絡和多頭注意力機制構建的初始神經網絡模型進行訓練，得到目標神經網絡模型；

獲取待檢測環境的待檢圖像數據，將所述待檢圖像數據輸入所述目標神經網絡模型，得到由所述目標神經網絡模型輸出的檢測結果。

可選地，所述初始神經網絡模型包括特征提取網絡和前饋預測網絡，其中，所述特征提取網絡包括多個特征提取塊，各個所述特征提取塊均包括卷積塊和注意力機制塊；

所述通過所述訓練數據集對基于卷積神經網絡和多頭注意力機制構建的初始神經網絡模型進行訓練，得到目標神經網絡模型的步驟，包括：

將所述訓練數據集輸入所述特征提取網絡，通過所述特征提取網絡中的多個所述特征提取塊依次進行特征提取，得到訓練特征，其中，多個所述特征提取塊中上一個特征提取塊的輸出結果為下一個特征提取塊的輸入數據；

融合多個所述訓練特征得到學習特征；

根據所述訓練結果，調整所述初始神經網絡模型中的網絡參數，得到所述目標神經網絡模型。

可選地，所述通過各個所述特征提取塊中任一目標提取塊進行特征提取，得到所述訓練特征的步驟，包括：

通過所述目標提取塊的卷積塊進行特征提取，得到特征數據；

通過所述目標提取塊的注意力機制塊對所述卷積塊提取得到的所述特征數據進行局部特征強化，得到所述訓練特征。

可選地，所述卷積塊包括第一卷積層和池化層。

可選地，所述前饋預測網絡包括第二卷積層、隱藏層和線性預測層；其中，