[發(fā)明專利]一種基于無人機實時視頻流的火災(zāi)檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211629322.3
• 申請日: 2022-12-19
• 公開（公告）號: CN115631436A
• 公開（公告）日: 2023-01-20
• 發(fā)明（設(shè)計）人: 王冠博;保昆燕;胡朋;丁洪偉;于勇濤;朱元靜;楊俊東;楊志軍;柳虔林;楊超;李羽珊;王宗山
• 申請（專利權(quán)）人: 優(yōu)備科技股份有限公司
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V20/40;G06V10/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 云南納森專利代理事務(wù)所(普通合伙) 53222
• 代理人: 杜娟

1.一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述檢測方法包括：

對火災(zāi)數(shù)據(jù)進(jìn)行收集、篩選和標(biāo)注，獲得標(biāo)注火災(zāi)數(shù)據(jù)；

對原始輕量級目標(biāo)檢測算法進(jìn)行改進(jìn)并訓(xùn)練，獲得輕量級目標(biāo)檢測算法訓(xùn)練模型；

采用無人機獲取實時視頻流；

將所述實時視頻流輸入至所述輕量級目標(biāo)檢測算法訓(xùn)練模型進(jìn)行檢測是否有火災(zāi)信號。

2.根據(jù)權(quán)利要求1所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述將所述實時視頻流輸入至所述輕量級目標(biāo)檢測算法訓(xùn)練模型進(jìn)行檢測是否有火災(zāi)信號之后還包括：如果有檢測到火災(zāi)信號，發(fā)出報警。

3.根據(jù)權(quán)利要求1所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述對火災(zāi)數(shù)據(jù)進(jìn)行收集、篩選和標(biāo)注具體包括：

采集火災(zāi)數(shù)據(jù)，并建立火災(zāi)數(shù)據(jù)集；

對所述火災(zāi)數(shù)據(jù)進(jìn)行篩選，剔除掉采集質(zhì)量不滿足質(zhì)量要求的數(shù)據(jù)，獲得篩選火災(zāi)數(shù)據(jù)；

采用人工標(biāo)注的方式對所述篩選火災(zāi)數(shù)據(jù)的火焰圖像進(jìn)行標(biāo)注。

4.根據(jù)權(quán)利要求1所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，對所述原始輕量級目標(biāo)檢測算法進(jìn)行改進(jìn)并訓(xùn)練具體包括：

模型參數(shù)量修剪，采用結(jié)構(gòu)化的修剪方式來對模型的卷積核進(jìn)行修剪；

在深層卷積神經(jīng)網(wǎng)絡(luò)中改進(jìn)激活函數(shù)，采用mish激活函數(shù)替代原有的Leaky Relu激活函數(shù)；

加入了注意力機制，使模型重點關(guān)注輸入數(shù)據(jù)中的興趣區(qū)域。

5.根據(jù)權(quán)利要求1所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述將所述實時視頻流輸入至所述輕量級目標(biāo)檢測算法訓(xùn)練模型進(jìn)行檢測是否有火災(zāi)信號具體包括：

無人機按特定航線在巡檢區(qū)域進(jìn)行畫面采集，獲得實時視頻流；

將所述實時視頻流回傳至地面端的目標(biāo)檢測網(wǎng)絡(luò)；

所述目標(biāo)檢測網(wǎng)絡(luò)中的輕量級目標(biāo)檢測算法訓(xùn)練模型根據(jù)所述實時視頻流檢測是否有火災(zāi)信號。

6.根據(jù)權(quán)利要求1所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述檢測方法還包括：

將改進(jìn)后的輕量級目標(biāo)檢測算法部署至計算平臺。

7.根據(jù)權(quán)利要求1所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述對所述原始輕量級目標(biāo)檢測算法進(jìn)行改進(jìn)具體包括：

改進(jìn)后的算法具有三個部分，分為前部、中部和后部；

前部的結(jié)構(gòu)依次是：第一卷積層→第二卷積層→第三卷積層；

中部的結(jié)構(gòu)依次是：注意力機制→第一CSP-ResNet池化模塊→第二CSP-ResNet池化模塊→第三CSP-ResNet池化模塊→第四卷積層→第五卷積層；

后部的結(jié)構(gòu)依次是：第六卷積層→第七卷積層→第一YOLO模塊→第八卷積層→上采樣層→第九卷積層→第十卷積層→第二YOLO模塊。

8.根據(jù)權(quán)利要求7所述的一種基于無人機實時視頻流的火災(zāi)檢測方法，其特征在于，所述加入了注意力機制具體包括：

池化特征注意力機制，能夠融合特征空間信息并關(guān)注模型的細(xì)化特征；

所述池化特征注意力機制包括前、后兩個部分，分別與第三卷積層和第五卷積層級聯(lián)，前半部分包括一個2×2最大池化層、一個平均池化層和一個上采樣倍率為52的上采樣層；后半部分包括一個2×2最大池化層、一個平均池化層和一個上采樣倍率為26的上采樣層；

前半部分一端與第三卷積層級聯(lián)，前半部分另一端和后半部分的一端之間采用一個濾波器數(shù)量為128、步長為1的1×1的卷積層進(jìn)行連接；后半部分的另一端與第五卷積層之間采用一個濾波器數(shù)量為256、步長為1的1×1的卷積層進(jìn)行連接；

池化特征增強層獲取輸入圖像的特征，獲得特征圖；

通過Maxpool和Avgpool將所述特征圖的空間信息進(jìn)行融合，生成兩個不同的空間圖：Favg1和Fmax1；

兩個不同的空間圖：Favg1和Fmax1通過1×1的卷積層進(jìn)行融合，獲得融合后的特征圖；

所述特征圖被傳播到下一個池化層，獲得更精細(xì)的特征。

9.一種基于無人機實時視頻流的火災(zāi)檢測系統(tǒng)，其特征在于，所述檢測系統(tǒng)包括：

視頻流獲取模塊，用于采用無人機獲取實時視頻流；

數(shù)據(jù)標(biāo)注模塊，用于對火災(zāi)數(shù)據(jù)進(jìn)行收集、篩選和標(biāo)注，獲得標(biāo)注火災(zāi)數(shù)據(jù)；

模型改進(jìn)訓(xùn)練模塊，用于對所述原始輕量級目標(biāo)檢測算法進(jìn)行改進(jìn)并訓(xùn)練，獲得輕量級目標(biāo)檢測算法訓(xùn)練模型；

火災(zāi)信號檢測模塊，用于將所述實時視頻流輸入至所述輕量級目標(biāo)檢測算法訓(xùn)練模型進(jìn)行檢測是否有火災(zāi)信號。