一种基于深度学习的城市火灾报警方法专利检索-检测区域传感器与探测器专利检索查询-专利查询网

一种基于 深度学习的城市火灾报警方法

阅读：0发布：2020-10-30

专利汇可以提供一种基于深度学习的城市火灾报警方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于深度学习的城市火灾报警方法，用监控摄像头、云服务器、自动报警模块和监控中心相结合方式，先对深度学习网络进行火灾图像和非火灾图像的训练，然后通过监控摄像头将实时拍摄的图像传递给云服务器，云服务器通过深度学习网络对拍摄图像确定其是否为疑似火灾图像，如拍摄的图像确定为疑似火灾图像，云服务器控制自动报警模块进行预警提示，同时云服务器将疑似火灾图像传递给监控中心进行显示，此时消防人员只需对疑似火灾的图像进行判断，就可对火灾险情进行在线排查，确定发生火灾后能够及时出警。，下面是一种基于深度学习的城市火灾报警方法专利的具体信息内容。

权利要求

1.一种基于深度学习的城市火灾报警方法，采用的报警系统包括监控摄像头、云服务器、自动报警模块和监控中心，监控摄像头与云服务器连接，云服务器分别与自动报警模块和监控中心连接，其特征在于，该方法的具体步骤为：
A、在云服务器中搭建深度学习网络；
B、拍摄或收集多种不同情况的火灾现场图，将获取的各个火灾现场图存储到云服务器中；
C、在云服务器内截取各个火灾现场图中的火焰图像作为深度学习网络的正样本训练集，并进行存储；将各个火灾现场图中其他亮点或高亮物体截取后作为深度学习网络的负样本训练集，并进行存储；
D、深度学习网络分别读入正样本训练集和负样本训练集，并为正样本训练集中的各个图像赋值为1，为负样本训练集中的各个图像赋值为0，进行训练后确定深度学习网络的分类网络模型；
E、监控摄像头实时拍摄的图像传递给云服务器，云服务器对拍摄的每帧图像先将RGB彩色图转换成灰度图，再把灰度图阈值分割后二值化，对二值化后的黑白图提取目标轮廓；
F、根据提取的目标轮廓形状，在中心点不变的前提下，使目标轮廓的宽和高增加一倍，将扩大后的区域坐标记录，并在对应的RGB彩色图中将该区域提取出来，交给完成训练的深度学习网络进行处理；
G、深度学习网络对每帧图像与正样本训练集和负样本训练集进行比对并赋值，每帧图像的所有被提取的区域分别得到一个值α，并有0≤α≤1；α的值越靠近1，说明该区域为火灾现场的可能性越大；α的值越靠近0，说明该区域为火灾现场的可能性越小；
H、设定阈值b，云服务器将每帧图像的α值与阈值b比较，当α≥b时，则确定该图像为疑似火灾区域图片，云服务器控制自动报警模块进行预警，同时将检测到疑似火灾区域图片通过云服务器传递给监控中心进行显示，消防人员通过观察图像进一步确认后确定后续处理措施。
2.根据权利要求1所述的一种基于深度学习的城市火灾报警方法，其特征在于，所述拍摄或收集的火灾现场图为火灾刚发生时的火苗图片。
3.根据权利要求1所述的一种基于深度学习的城市火灾报警方法，其特征在于，搭建深度学习网络的具体过程为：在云服务器中安装python或python的第三方库作为深度学习开发语言，安装OpenCV在python中使用的工具包，安装caffe或tensorflow或pytorch其中一种深度学习开发框架，安装pycharm为python的IDE开发工具。
4.根据权利要求1所述的一种基于深度学习的城市火灾报警方法，其特征在于，所述步骤F中采用OpenCV作为计算机视觉辅助开发工具提取每帧图像的高亮区域。
5.根据权利要求1所述的一种基于深度学习的城市火灾报警方法，其特征在于，所述阈值b的取值范围为0.6～0.9。

说明书全文

一种基于深度学习的城市火灾报警方法

技术领域

[0001] 本发明涉及一种城市火灾报警方法，具体是一种基于深度学习的城市火灾报警方法。

背景技术

[0002] 基于深度学习的目标检测是指将深度学习应用在计算机视觉中。与传统视觉目标检测只标记位置不同，基于深度学习的目标检测不仅要预测物体的位置，还要对物体分类。传统视觉检测算法目前仅在人脸和行人识别上的检测效果较好，但是其鲁棒性差，从而导致在阴暗或者复杂环境下对目标检测效果不佳。而基于深度学习的目标检测鲁棒性强，同时其能将定位以及分类问题结合起来，最终完成同时检测和分类多个目标。使用深度学习的目标检测会更加高效和可靠。

[0003] 传统的城市火灾报警系统，一般由火灾探测器、区域报警器和集中报警器组成；也可以根据工程的要求同各种灭火设施和通讯装置联动，以形成中心控制系统。即由自动报警、自动灭火、安全疏散诱导、系统过程显示、消防档案管理等组成一个完整的消防控制系统。火灾探测器是探测火灾的仪器，由于在火灾发生的阶段，将伴随产生烟雾、高温和火光。这些烟、热和光可以通过探测器转变为电信号报警或使自动灭火系统启动，及时扑灭火灾。
区域报警器能将所在楼层之探测器发出的信号转换为声光报警，同时还能监视若干楼层的集中报警器输出信号或控制自动灭火系统。

[0004] 目前城市火灾报警系统大多数都设置在居室或者大型室内公共场所，其检测设备大多是烟雾报警器，这种报警器会常有误触发，如室内有人抽烟将误触发火灾报警系统。火灾报警后，将会有人员进行排查险情，不准确的报警将导致消防人员徒劳出警。另外如在室外发生火灾，室内的火灾探测器并不适用，由于室外发生火灾时，受到外界气流影响火灾产生的烟雾会在极短的时间内分散，从而导致火灾探测器无法获取烟雾信息，进而无法对室外发生的火灾进行预警；另外虽然可通过设置在城市中的各个监控摄像头观察各个区域的情况，但是人工无法同时对多个不同的区域进行实时监控，从而也无法对室外发生的火灾进行及时预警。

发明内容

[0005] 针对上述现有技术存在的问题，本发明提供一种基于深度学习的城市火灾报警方法，采用深度学习网络，通过监控摄像头拍摄图像，经过云服务器分析处理后仅将疑似火灾的图像通过监控中心显示，消防人员只需对疑似火灾的图像进行判断，就可对火灾险情进行在线排查，确定发生火灾后能够及时出警。

[0006] 为了实现上述目的，本发明采用的技术方案是：一种基于深度学习的城市火灾报警方法，采用的报警系统包括监控摄像头、云服务器、自动报警模块和监控中心，监控摄像头与云服务器连接，云服务器分别与自动报警模块和监控中心连接，该方法的具体步骤为：

[0007] A、在云服务器中搭建深度学习网络；

[0008] B、拍摄或收集多种不同情况的火灾现场图，将获取的各个火灾现场图存储到云服务器中；

[0009] C、在云服务器内截取各个火灾现场图中的火焰图像作为深度学习网络的正样本训练集，并进行存储；将各个火灾现场图中其他亮点或高亮物体截取后作为深度学习网络的负样本训练集，并进行存储；

[0010] D、深度学习网络分别读入正样本训练集和负样本训练集，并为正样本训练集中的各个图像赋值为1，为负样本训练集中的各个图像赋值为0，进行训练后确定深度学习网络的分类网络模型；

[0011] E、监控摄像头实时拍摄的图像传递给云服务器，云服务器对拍摄的每帧图像先将RGB彩色图转换成灰度图，再把灰度图阈值分割后二值化，对二值化后的黑白图提取目标轮廓；

[0012] F、根据提取的目标轮廓形状，在中心点不变的前提下，使目标轮廓的宽和高增加一倍，将扩大后的区域坐标记录，并在对应的RGB彩色图中将该区域提取出来，交给完成训练的深度学习网络进行处理；

[0013] G、深度学习网络对每帧图像与正样本训练集和负样本训练集进行比对并赋值，每帧图像的所有被提取的区域分别得到一个值α，并有0≤α≤1；α的值越靠近1，说明该区域为火灾现场的可能性越大；α的值越靠近0，说明该区域为火灾现场的可能性越小；

[0014] H、设定阈值b，云服务器将每帧图像的α值与阈值b比较，当α≥b时，则确定该图像为疑似火灾区域图片，云服务器控制自动报警模块进行预警，同时将检测到疑似火灾区域图片通过云服务器传递给监控中心进行显示，消防人员通过观察图像进一步确认后确定后续处理措施。

[0015] 进一步，所述拍摄或收集的火灾现场图为火灾刚发生时的火苗图片。

[0016] 进一步，搭建深度学习网络的具体过程为：在云服务器中安装python或python的第三方库作为深度学习开发语言，安装OpenCV在python中使用的工具包，安装caffe或tensorflow或pytorch其中一种深度学习开发框架，安装pycharm为python的IDE开发工具。

[0017] 进一步，所述步骤F中采用OpenCV作为计算机视觉辅助开发工具提取每帧图像的高亮区域。

[0018] 进一步，所述阈值b的取值范围为0.6～0.9。

[0019] 与现有技术相比，本发明采用监控摄像头、云服务器、自动报警模块和监控中心相结合方式，先对深度学习网络进行火灾图像和非火灾图像的训练，然后通过监控摄像头将实时拍摄的图像传递给云服务器，云服务器通过深度学习网络对拍摄图像确定其是否为疑似火灾图像，如拍摄的图像确定为疑似火灾图像，则通过云服务器传递给监控中心进行显示，此时消防人员只需对疑似火灾的图像进行判断，就可对火灾险情进行在线排查，确定发生火灾后能够及时出警；由于利用深度学习网络的高精确度分类，可以排除大量非火灾现场图，便于减少消防人员的工作量。附图说明

[0020] 图1是本发明的整体框架图；

[0021] 图2是本发明的工作流程图。

具体实施方式

[0022] 下面将对本发明作进一步说明。

[0023] 如图1至图2所示，本发明采用的报警系统包括监控摄像头、云服务器、自动报警模块和监控中心，监控摄像头与云服务器连接，云服务器分别与自动报警模块和监控中心连接，该方法的具体步骤为：

[0024] A、在云服务器中搭建深度学习网络；

[0025] B、拍摄或收集多种不同情况的火灾现场图，将获取的各个火灾现场图存储到云服务器中；

[0026] C、在云服务器内截取各个火灾现场图中的火焰图像作为深度学习网络的正样本训练集，并进行存储；将各个火灾现场图中其他亮点或高亮物体截取后作为深度学习网络的负样本训练集，并进行存储；

[0027] D、深度学习网络分别读入正样本训练集和负样本训练集，并为正样本训练集中的各个图像赋值为1，为负样本训练集中的各个图像赋值为0，进行训练后确定深度学习网络的分类网络模型；

[0028] E、监控摄像头实时拍摄的图像传递给云服务器，由于火焰的亮度很高，云服务器通过计算机视觉技术对拍摄的每帧图像先将RGB彩色图转换成灰度图，再把灰度图阈值分割后二值化，对二值化后的黑白图提取目标轮廓；在灰度图阈值分割中，使用具有自适应的大津法(OTSU算法)，因为在白天和黑夜的时候，由于光线强度差距较大，如果使用固定的阈值β割图像，阈值β较高将造成黑夜提取到高亮区域的可能性降低，阈值β较低将造成白天提取到的高亮区域太多，造成误检测的可能性较大；

[0029] F、根据提取的目标轮廓形状，在中心点不变的前提下，使目标轮廓的宽和高增加一倍，将扩大后的区域坐标记录，并在对应的RGB彩色图中将该区域提取出来，交给完成训练的深度学习网络进行处理；

[0030] G、根据分类网络的分类结果，在这里将深度学习中使用的卷积神经网络看成是一个复杂的计算公式，而步骤F中图片里提取的区域作为输入，通过计算将得到一个输出值α。公式中有成千上万个参数，这些参数在网络训练前是随机赋值的，在迭代n次训练过程中，参数的值在不断调整，调整后的参数使得下一次训练中训练正样本通过网络计算的结果α更加趋于1，负样本计算结果α更加趋于0；深度学习网络对每帧图像与正样本训练集和负样本训练集进行比对并赋值，每帧图像的所有被提取的区域分别得到一个值α，并有0≤α≤1；
α的值越靠近1，说明该区域为火灾现场的可能性越大；α的值越靠近0，说明该区域为火灾现场的可能性越小；

[0031] H、设定阈值b，云服务器将每帧图像的α值与阈值b比较，当α≥b时，则确定该图像为疑似火灾区域图片，云服务器控制自动报警模块进行预警，同时将检测到疑似火灾区域图片通过云服务器传递给监控中心进行显示，消防人员通过观察图像进一步确认后确定后续处理措施。

[0032] 进一步，所述拍摄或收集的火灾现场图为火灾刚发生时的火苗图片。

[0033] 进一步，搭建深度学习网络的具体过程为：在云服务器中安装python或python的第三方库作为深度学习开发语言，安装OpenCV在python中使用的工具包，安装caffe或tensorflow或pytorch其中一种深度学习开发框架，安装pycharm为python的IDE开发工具。

[0034] 进一步，所述步骤F中采用OpenCV作为计算机视觉辅助开发工具提取每帧图像的高亮区域。

[0035] 进一步，所述阈值b的取值范围为0.6～0.9。

标题	发布/更新时间	阅读量
消息展示方法及装置	2020-08-24	0
靶标序列中所需核酸区的选择性扩增	2020-10-07	1
一种玉米微生物耐药性基因的检测方法	2021-10-02	0
用于教育云网络学习空间的评选方法及评选系统	2021-03-24	0
设备监控方法及装置、服务器、智能设备及物联网系统	2022-06-07	1
一种土壤微生物耐药性基因的检测方法	2021-10-02	0
网络切断管控方法	2023-07-12	0
一种镜头快速自标定方法及其电子设备	2020-09-07	0
一种人脸表情识别方法、系统、装置和存储介质	2021-12-14	0
限束器及X射线机	2020-08-19	0

一种基于深度学习的城市火灾报警方法

一种基于深度学习的城市火灾报警方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：