[發(fā)明專利]一種基于無人機邊緣計算的火災檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310148429.4
• 申請日: 2023-02-20
• 公開（公告）號: CN116206223A
• 公開（公告）日: 2023-06-02
• 發(fā)明（設計）人: 趙冬冬;柴曉晰;陳贏
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V20/10;G06V10/764;G06V10/77;G06V10/52;G06V10/82;G06N3/0464;G06N3/045;G06N3/047;G06N3/048
• 代理公司: 武漢科皓知識產(chǎn)權代理事務所(特殊普通合伙) 42222
• 代理人: 肖艷

1.一種基于無人機邊緣計算的火災檢測方法，其特征在于，包括：

采集目標檢測區(qū)域影像數(shù)據(jù)和無人機飛行狀態(tài)數(shù)據(jù)；

將所述目標檢測區(qū)域影像數(shù)據(jù)和所述無人機飛行狀態(tài)數(shù)據(jù)輸入預先訓練好的火災檢測模型，得到火災起火點檢測結果；

其中，所述火災檢測模型是構建基于Yolov3算法的邊緣計算深度學習模型架構，采用目標檢測區(qū)域影像樣本和分類標簽對所述邊緣計算深度學習模型架構進行訓練所得到的。

2.根據(jù)權利要求1所述的基于無人機邊緣計算的火災檢測方法，其特征在于，所述采集目標檢測區(qū)域影像數(shù)據(jù)和無人機飛行狀態(tài)數(shù)據(jù)，包括：

采集目標檢測區(qū)域的若干待檢測實時圖像；

獲取無人機在拍攝影像時的三維空間位置信息。

3.根據(jù)權利要求1所述的基于無人機邊緣計算的火災檢測方法，其特征在于，所述火災檢測模型，通過以下步驟獲得：

獲取所述目標檢測區(qū)域影像樣本；

構建包括Backbone部分、Neck部分和Yolo?Head部分的Yolov3模型，獲取所述分類標簽；

將所述目標檢測區(qū)域影像樣本輸入至所述Backbone部分進行特征提取及下采樣，得到圖像下采樣特征圖；

將所述圖像下采樣特征圖輸入至所述Neck部分進行上采樣，得到不同尺度特征圖；

將所述不同尺度特征圖輸入至Yolo?Head部分進行損失計算，得到所述火災檢測模型。

4.根據(jù)權利要求3所述的基于無人機邊緣計算的火災檢測方法，其特征在于，所述獲取所述目標檢測區(qū)域影像樣本，包括：

采集所述目標檢測區(qū)域的不同拍攝角度、有無著火點、不同拍攝高度和不同遮擋程度的若干紅外圖像樣本。

5.根據(jù)權利要求3所述的基于無人機邊緣計算的火災檢測方法，其特征在于，所述將所述目標檢測區(qū)域影像樣本輸入至所述Backbone部分進行特征提取及下采樣，得到圖像下采樣特征圖，包括：

確定所述Backbone部分包含52個卷積層和1個全連接層的Darknet-53深度卷積神經(jīng)網(wǎng)絡，其中所述Darknet-53深度卷積神經(jīng)網(wǎng)絡還包括多個殘差模塊，多個殘差模塊之間包括預設卷積核大小和預設卷積核步長的卷積層；

將所述目標檢測區(qū)域影像樣本輸入至所述Darknet-53深度卷積神經(jīng)網(wǎng)絡進行多尺度下采樣，獲得所述圖像下采樣特征圖。

6.根據(jù)權利要求3所述的基于無人機邊緣計算的火災檢測方法，其特征在于，所述將所述圖像下采樣特征圖輸入至所述Neck部分進行上采樣，得到不同尺度特征圖，包括：

確定所述Neck部分為路徑聚合網(wǎng)絡；

將所述圖像下采樣特征圖輸入至所述路徑聚合網(wǎng)絡，分別得到第一尺度特征圖、第二尺度特征圖和第三尺度特征圖，其中所述第一尺度特征圖、所述第二尺度特征圖和所述第三尺度特征圖的深度相同，邊長依次擴大一倍。

7.根據(jù)權利要求3所述的基于無人機邊緣計算的火災檢測方法，其特征在于，所述將所述不同尺度特征圖輸入至Yolo?Head部分進行損失計算，得到所述火災檢測模型，包括：

采用二值交叉熵損失計算所述不同尺度特征圖中所有樣本的目標置信度損失值，得到目標檢測框內存在目標概率；

采用二值交叉熵損失計算所述不同尺度特征圖中正樣本的目標類別損失值，得到目標檢測框內目標類別存在概率；

采用誤差平方和損失計算所述不同尺度特征圖中正樣本的目標定位損失值，得到目標檢測框內目標與真實值定位概率；

綜合所述目標檢測框內存在目標概率、所述目標檢測框內目標類別存在概率和所述目標檢測框內目標與真實值定位概率對所述Yolov3模型進行修正，得到所述火災檢測模型。