申请/专利权人：成都睿沿科技有限公司

申请日：2020-06-30

公开（公告）日：2024-04-30

公开（公告）号：CN111814638B

主分类号：G06V20/52

分类号：G06V20/52;G06V20/40;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/084;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明公开了基于深度学习的安防场景火焰检测方法，属于安防技术领域，其主要包含通过基于神经网络所练出的用于识别火焰形状的单阶段检测模型进行监控视频所解码出的图片进行疑似火焰区域的检测；接着根据识别到的疑似火焰的区域，对视频中与之对应区域进行视频帧截取，获得视频帧；然后将视频帧分为N个子片段，从每个子片段中均采样一帧，得到采样真；最后将采样帧输入基于神经网络所练出的用于识别火焰动态变化的类行为识别分类模型，以分类是否为火焰。本发明既通过单阶段检测模型提取了疑似火焰的单帧的外观特征，又考虑了前后帧的动态信息，更加丰富的特征大大提升了最后的分类效果，提升了火焰检测的实时性和高效用。

主权项：1.基于深度学习的安防场景火焰检测方法，其特征在于：包括如下步骤：S1.通过深度学习神经网络训练出用于识别火焰形状的单阶段检测模型；S2.通过深度学习神经网络训练出用于识别火焰动态变化的类行为识别分类模型；S3.将监控摄像头实时拍摄的视频回传给后台服务器；S4.后台服务器对回传的视频流数据进行解码为多帧图片；S5.将步骤S4中得到的图片输入单阶段检测模型，单阶段检测模型检测是否有疑似火焰的区域，若无则重复步骤S3、S4；若有，则输出图中疑似火焰的区域；S6.根据步骤S4中所识别到的疑似火焰的区域，对视频中与之对应区域进行视频帧截取，从而获得以疑似火焰的区域为主体的连续视频帧；S7.将步骤S6中得到的连续视频帧分为N个子片段，从每个子片段中均采样一帧，此为采样帧；S8.将步骤S7中得到的采样帧输入类行为识别分类模型，类行为识别分类模型对连续视频帧中火焰在时间维度上的动态变化进行收集，当类行为识别分类模型识别出连续视频帧中的火焰的动态变化，则后台服务器进行报警；所述S1具体包括如下步骤：a、数据准备：拍摄和或搜集火焰视频；b、标注：先将视频解码为图片，接着用打标签软件将图中火焰标注出来，并根据标注获得图像中火焰的位置x,y,w,h格式，其中x,y为火焰所在矩形框左上角坐标，w、h为火焰矩形框的宽和高；c、训练：采用纯yolov3全网络或者efficient-bo框架做backbone后面接yolov3轻量化检测头作为单阶段检测模型的网络结构，接着用步骤b得到的标注好的图片作为网络输入，以图片中所有的火焰位置作为预测目标，计算预测结果和真实值差异，用反向传播算法更新网络权重，最终训练出计算预测结果和真实值基本匹配的用于识别火焰形状的单阶段检测模型；所述S2具体包括如下步骤：A、数据准备:拍摄和或搜集火焰视频；B、标注：标注出每个视频火焰的开始帧和结束帧以及火焰的位置；C、训练：采用ECO行为识别网络结构作为类行为识别分类模型的网络结构，步骤B中得到的标注好的视频中，从一次火焰发生到结束算作正样本事件，未标注为火焰的视频段记为负样本事件，从正、负样本事件中均采样N帧，作为网络输入，事件的正、负作为标签，计算预测结果和真实值差异，用反向传播算法更新网络权重，最终训练出计算预测结果和真实值基本匹配的用于识别火焰动态变化的类行为识别分类模型；所述N≥2，且N为自然数。

全文数据：

权利要求：

百度查询： 成都睿沿科技有限公司 基于深度学习的安防场景火焰检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD