CN114445669A - 一种烟火告警方法、装置、电子设备及存储介质 - Google Patents
一种烟火告警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114445669A CN114445669A CN202210183612.3A CN202210183612A CN114445669A CN 114445669 A CN114445669 A CN 114445669A CN 202210183612 A CN202210183612 A CN 202210183612A CN 114445669 A CN114445669 A CN 114445669A
- Authority
- CN
- China
- Prior art keywords
- scene
- alarm
- image
- firework
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例提供的一种烟火告警方法、装置、电子设备及存储介质,应用于信息技术领域,可以获取待发送的烟火告警信息;所述告警图像是通过预设烟火识别算法识别到的图像;通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果;若所述场景分类结果为所述告警图像对应的场景不是非告警场景,或者,所述场景分类结果为所述告警图像对应的场景是需告警场景时,则发送烟火告警信息。通过判断烟火图像对应的场景是否为告警场景或不是非告警场景,只有当对应的场景是告警场景或不是非告警场景时,才发送烟火告警信息,从而提高烟火告警准确率。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种烟火告警方法、装置、电子设备及存储介质。
背景技术
目前,随着计算机视觉与信息技术的发展,以图像智能识别技术为基础,烟火智能检测与识别为核心的烟火智能监测报警***,已在森林防火、设备周边环境的火灾预警等领域中得到广泛应用。通过安装在信号塔、巡航设备、输电塔等装置上的检测设备对检测范围内的森林、村庄等进行图像采集,并对采集到的图像进行烟火目标的识别,实现森林火灾检测与设备周边环境的火灾预警等。
然而,发明人研究发现,现有的烟火智能监测报警***往往仅仅是根据识别到的烟雾进行报警,因此,会将村庄炊烟、工厂烟囱排烟等识别为待告警的烟火,从而导致烟火告警误报率较高。
发明内容
本发明实施例的目的在于提供一种烟火告警方法、装置、电子设备及存储介质,以实现提高烟火告警的准确率。具体技术方案如下:
本申请实施例的第一方面,首先提供了一种烟火告警方法,包括:
获取待发送的烟火告警信息,其中,所述烟火告警信息包括告警图像,所述告警图像中包含烟火目标;所述告警图像是通过预设烟火识别算法识别到的图像;
通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,其中,所述预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
若所述场景分类结果为所述告警图像对应的场景不是非告警场景,或者,所述场景分类结果为所述告警图像对应的场景是需告警场景时,则发送烟火告警信息。
可选的,所述通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,包括:
通过预先训练好的场景分类模型计算所述告警图像为所述非告警场景,和/或所述需告警场景的置信度;
将对应所述非告警场景的置信度与预设第一阈值进行对比,和/或将对应所述需告警场景的置信度与第二预设阈值进行对比,得到所述告警图像对应的烟火场景分类结果,其中,所述场景分类结果为:若对应所述非告警场景的置信度小于预设第一阈值,和/或将对应所述需告警场景的置信度大于第二预设阈值,则为所述需告警场景;若对应所述非告警场景的置信度大于预设第一阈值,和/或将对应所述需告警场景的置信度小于第二预设阈值,则为所述非告警场景。
可选的,所述预先训练好的场景分类模型的训练方法,包括:
将所述非告警的烟火场景样本图像、和/或所述需告警的烟火场景样本图像输入待训练的场景分类模型;
通过所述待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域;
通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果;
根据所述当前的分类结果和输入的图像的标签计算得到所述待训练的场景分类模型当前的损失,其中,所述输入的图像的标签为预先标注的用于表示所述输入的图像的正确场景分类的标签;
根据所述当前的损失对所述待训练的场景分类模型进行参数调整,并返回所述通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果的步骤继续执行,直至所述当前损失小于预设损失阈值,得到所述预先训练好的场景分类模型。
可选的,所述方法还包括:
若所述烟火场景图像对应的场景为所述非告警场景,则不发送所述烟火告警信息。
本申请实施例的第二方面,提供了一种烟火告警装置,包括:
信息获取模块,用于获取待发送的烟火告警信息,其中,所述烟火告警信息包括告警图像,所述告警图像中包含烟火目标;所述告警图像是通过预设烟火识别算法识别到的图像;
场景分类模块,用于通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,其中,所述预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
告警发送模块,用于若所述场景分类结果为所述告警图像对应的场景不是非告警场景,或者,所述场景分类结果为所述告警图像对应的场景是需告警场景时,则发送烟火告警信息。
可选的,所述场景分类模块,包括:
置信度计算子模块,用于通过预先训练好的场景分类模型计算所述告警图像为所述非告警场景,和/或所述需告警场景的置信度;
阈值对比子模块,用于将对应所述非告警场景的置信度与预设第一阈值进行对比,和/或将对应所述需告警场景的置信度与第二预设阈值进行对比,得到所述告警图像对应的烟火场景分类结果,其中,所述场景分类结果为:若对应所述非告警场景的置信度小于预设第一阈值,和/或将对应所述需告警场景的置信度大于第二预设阈值,则为所述需告警场景;若对应所述非告警场景的置信度大于预设第一阈值,和/或将对应所述需告警场景的置信度小于第二预设阈值,则为所述非告警场景。
可选的,所述装置还包括:
图像输入模块,用于将所述非告警的烟火场景样本图像、和/或所述需告警的烟火场景样本图像输入待训练的场景分类模型;
区域提取模块,用于通过所述待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域;
特征提取模块,用于通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果;
损失计算模块,用于根据所述当前的分类结果和输入的图像的标签计算得到所述待训练的场景分类模型当前的损失,其中,所述输入的图像的标签为预先标注的用于表示所述输入的图像的正确场景分类的标签;
参数调整模块,用于根据所述当前的损失对所述待训练的场景分类模型进行参数调整,并返回所述通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果的步骤继续执行,直至所述当前损失小于预设损失阈值,得到所述预先训练好的场景分类模型。
可选的,所述装置还包括:
非告警判断模块,用于若所述烟火场景图像对应的场景为所述非告警场景,则不发送所述烟火告警信息。
本申请实施例的另一方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一烟火告警方法步骤。
本申请实施例的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一烟火告警方法步骤。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一烟火告警方法步骤。
本发明实施例有益效果:
本发明实施例提供的一种烟火告警方法、装置、电子设备及存储介质,可以获取待发送的烟火告警信息,其中,所述烟火告警信息包括告警图像,所述告警图像中包含烟火目标;所述告警图像是通过预设烟火识别算法识别到的图像;通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,其中,所述预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;若所述场景分类结果为所述告警图像对应的场景不是非告警场景,或者,所述场景分类结果为所述告警图像对应的场景是需告警场景时,则发送烟火告警信息。通过本申请实施例的方法,可以对待发送的烟火告警信息中的烟火图像进行场景的识别,通过判断烟火图像对应的场景是否为告警场景或不是非告警场景,只有当对应的场景是否为告警场景或不是非告警场景时,才发送烟火告警信息,从而提高烟火告警准确率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的烟火告警方法的一种流程示意图;
图2为本申请实施例提供的对烟火场景图像进行场景分类的流程示意图;
图3为本申请实施例提供的场景分类模型的训练方法的流程示意图;
图4为本申请实施例提供的烟火告警方法的示例图;
图5为本申请实施例提供的烟火告警装置的一种结构示意图;
图6为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例的第一方面,首先提供了一种烟火告警方法,包括:
获取待发送的烟火告警信息,其中,烟火告警信息包括告警图像,告警图像中包含烟火目标;告警图像是通过预设烟火识别算法识别到的图像;
通过预先训练好的场景分类模型对告警图像进行烟火场景分类,得到告警图像对应的烟火场景分类结果,其中,预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
若场景分类结果为告警图像对应的场景不是非告警场景,或者,场景分类结果为告警图像对应的场景是需告警场景时,则发送烟火告警信息。
可见,通过本申请实施例的方法,可以对待发送的烟火告警信息中的烟火图像进行场景的识别,通过判断烟火图像对应的场景是否为告警场景或不是非告警场景,只有当对应的场景是否为告警场景或不是非告警场景时,才发送烟火告警信息,从而提高烟火告警准确率。
本申请实施例的方法可以应用于智能终端,可以通过该智能终端实施,具体的,在进行烟火告警时,该智能终端可以是安装在信号塔、巡航设备、输电塔等装置上的检测设备,通过该设备可以对检测范围内的森林、村庄等进行图像采集,并对采集到的图像进行烟火目标的识别,实现森林火灾检测与设备周边环境的火灾预警等。该智能终端也可以是某一后端设备,可以通过安装在信号塔、巡航设备、输电塔等装置上的检测设备,通过该设备可以对检测范围内的森林、村庄等进行图像采集,然后将采集到的图像发送给该后端设备,通过该后端设备对采集到的图像进行烟火目标的识别,实现森林火灾检测与设备周边环境的火灾预警等。
具体的,参见图1,图1为本申请实施例提供的烟火告警方法的一种流程示意图,包括:
步骤S11,获取待发送的烟火告警信息。
其中,烟火告警信息包括告警图像,告警图像中包含烟火目标;告警图像是通过预设烟火识别算法识别到的图像。在实际是使用过程中,该烟火图像可以是通过红外和/或可见光相机采集到的图像。上述预设烟火识别算法可以是对图像中的烟火目标进行识别的算法模型,例如,该模型可以是通过样本烟火场景图像训练得到的模型,该模型可以仅对包含烟火目标的图像进行识别,当图像中包含烟火时则生成烟火告警信息。可选的,该算法可以是基于深度学习技术训练分类检测算法训练得到的,具体的可以参见现有技术。上述待发送的烟火告警信息可以是通过识别多张拍摄到的图像中的烟火目标,当识别到烟火目标时,选取包含烟火目标的告警图像并发送烟火告警信息。例如,可以通过热成像双光谱云台设备采集包括可见光视频图像和热成像视频图像的视频,然后通过预设烟火识别算法对待识别的视频中的每一视频帧进行烟火目标检测,得到包含烟火目标的烟火场景图像。
步骤S12,通过预先训练好的场景分类模型对告警图像进行烟火场景分类,得到告警图像对应的烟火场景分类结果。
其中,预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型。当预先训练好的场景分类模型是通过非告警的烟火场景图像训练得到的算法模型时,通过预先训练好的场景分类模型对告警图像进行烟火场景分类,可以判断告警图像对应的烟火场景是否是非告警场景。当预先训练好的场景分类模型是通过需告警的烟火场景图像训练得到的算法模型时,通过预先训练好的场景分类模型对告警图像进行烟火场景分类,可以判断告警图像对应的烟火场景是否是需告警场景。
其中,在实际使用过程中,非告警场景可以是村庄炊烟排烟、工厂烟囱排烟、天空云彩等无需进行告警的场景,非告警场景图像可以是村庄炊烟排烟图像、工厂烟囱排烟图像、天空云彩图像等图像。需告警场景可以是森林火灾、房屋着火等需要进行告警的场景,需告警场景图像可以是森林火灾图像、房屋着火图像等。
步骤S13,若场景分类结果为告警图像对应的场景不是非告警场景,或者,场景分类结果为告警图像对应的场景是需告警场景时,则发送烟火告警信息。
在实际使用过程中,若场景分类结果为告警图像对应的场景不是非告警场景,或者,场景分类结果为告警图像对应的场景是需告警场景时,可以判断告警图像对应的场景为需要进行告警的场景,并且检测到了烟火目标,则发送烟火告警信息。
可选的,上述方法还包括:若烟火场景图像对应的场景为非告警场景,则不发送烟火告警信息。当场景分类结果为告警图像对应的场景是非告警场景,或者,场景分类结果为告警图像对应的场景不是需告警场景时,则不发生告警信息。在实际使用过程中,可以对不发送的告警信息并对烟火告警信息进行归档并保存,从而便于根据保存的烟火告警信息进行故障分析等。
可见,通过本申请实施例的方法,可以对待发送的烟火告警信息中的烟火图像进行场景的识别,通过判断烟火图像对应的场景是否为告警场景或不是非告警场景,只有当对应的场景是否为告警场景或不是非告警场景时,才发送烟火告警信息,从而提高烟火告警准确率。
可选的,参见图2,步骤S12通过预先训练好的场景分类模型对告警图像进行烟火场景分类,得到告警图像对应的烟火场景分类结果,包括:
步骤S121,通过预先训练好的场景分类模型计算告警图像为非告警场景,和/或需告警场景的置信度;
步骤S122,将对应非告警场景的置信度与预设第一阈值进行对比,和/或将对应需告警场景的置信度与第二预设阈值进行对比,得到告警图像对应的烟火场景分类结果。
其中,场景分类结果为:若对应非告警场景的置信度小于预设第一阈值,和/或将对应需告警场景的置信度大于第二预设阈值,则为需告警场景;若对应非告警场景的置信度大于预设第一阈值,和/或将对应需告警场景的置信度小于第二预设阈值,则为非告警场景。
其中,计算告警图像为非告警场景,和/或需告警场景的置信度,可以为计算告警图像的场景为非告警场景的置信度,和/后计算告警图像的场景为需告警场景的置信度。
上述第一预设阈值可以为预设的判断告警图像的场景为非告警场景的阈值,第二预设阈值可以为预设的判断告警图像的场景为需告警场景的阈值。若计算得到告警图像的场景为非告警场景的置信度小于第一预设阈值,和/或对应需告警场景的置信度大于第二预设阈值时,则可以判断告警图像的场景为需告警场景,对应的烟火场景分类结果为需告警场景。若计算得到告警图像的场景为非告警场景的置信度大于第一预设阈值,和/或对应需告警场景的置信度小于第二预设阈值时,则可以判断告警图像的场景为非告警场景,对应的烟火场景分类结果为非告警场景。
通过本申请实施例的方法,可以通过预先训练好的场景分类模型计算告警图像为非告警场景,和/或需告警场景的置信度,从而可以根据计算得到的置信度进行场景分类,判断告警图像为非告警场景,和/或需告警场景。
可选的,参见图3,预先训练好的场景分类模型的训练方法,包括:
步骤S31,将非告警的烟火场景样本图像、和/或需告警的烟火场景样本图像输入待训练的场景分类模型。
步骤S32,通过待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域。
其中,在实际使用过程中,通过待训练的场景分类模型对输入的样本图像进行烟火目标的识别,并根据识别到的烟火目标确定样本图像中的目标关联区域,可以通过识别到样本图像中的烟火目标后,选取包含烟火目标检测框的一个区域。在实际使用过程中,目标关联区域可以包含并大于目标检测框。
通过根据识别到的烟火目标确定图像中的目标关联区域,可以将烟火目标所在的区域,以及与该区域相邻的一定像素宽度的区域合并,得到目标关联区域。例如,在通过根据识别到的烟火目标确定图像中的目标关联区域时,将与烟火目标相邻的宽20px的区域和烟火目标所在的区域共同确定为目标关联区域。具体的,相邻区域的宽度可以预先进行设定,其设定标准为目标关联区域的范围应当足够宽,以包括与烟囱所排的烟相邻的烟囱,或烟火相邻的树木、房屋等。
步骤S33,通过待训练的场景分类模型对目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果。
步骤S34,根据当前的分类结果和输入的图像的标签计算得到待训练的场景分类模型当前的损失。
其中,输入的图像的标签为预先标注的用于表示输入的图像的正确场景分类的标签。具体的,根据当前的分类结果和输入的图像的标签计算得到待训练的场景分类模型当前的损失,可以根据输入的图像的标签判断当前分类结果中正确分类结果的数量,从而根据正确分类结果的数量计算得到当前的损失。例如,100个分类结果中95个正确,则当前的损失为5%。
步骤S35,根据当前的损失对待训练的场景分类模型进行参数调整,并返回通过待训练的场景分类模型对目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果的步骤继续执行,直至当前损失小于预设损失阈值,得到预先训练好的场景分类模型。
可见,通过本申请实施例的方法,可以通过待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域,从而根据目标关联区域进行特征提取和分类。
为了说明本申请实施例的方法,以下结合具体实施例进行说明,参见图4,包括:
1、烟火误报场景分类检测算法训练:
本申请实施例中的烟火误报场景分类检测算法是烟火误报场景识别的核心,该算法是基于图像分类模型实现的。图像分类检测是快速识别一张图中是否含有指定物体、状态或者场景。可以基于深度学习技术,收集大量烟火识别误报场景图像素材,对素材进行分类标定及训练,得到烟火误报场景分类检测算法。
2、烟火误报场景识别及告警上报
基于烟火误报场景分类检测算法,在热成像双光谱云台设备第一次烟火智能识别后,对形成的识别结果图像数据输入至分类检测模块进行二次烟火误报场景识别,如果算法识别结果准确率达到设定的误报场景阈值,则判断为烟火误报场景,不上报烟火告警信息,并归档为误报信息;如果算法识别结果准确率未达到设定的误报场景阈值,则沿用第一次烟火识别结果,上报第一次的烟火告警信息。
本申请实施例的第二方面,提供了一种烟火告警装置,参见图5,包括:
信息获取模块501,用于获取待发送的烟火告警信息,其中,烟火告警信息包括告警图像,告警图像中包含烟火目标;告警图像是通过预设烟火识别算法识别到的图像;
场景分类模块502,用于通过预先训练好的场景分类模型对告警图像进行烟火场景分类,得到告警图像对应的烟火场景分类结果,其中,预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
告警发送模块503,用于若场景分类结果为告警图像对应的场景不是非告警场景,或者,场景分类结果为告警图像对应的场景是需告警场景时,则发送烟火告警信息。
可选的,场景分类模块502,包括:
置信度计算子模块,用于通过预先训练好的场景分类模型计算告警图像为非告警场景,和/或需告警场景的置信度;
阈值对比子模块,用于将对应非告警场景的置信度与预设第一阈值进行对比,和/或将对应需告警场景的置信度与第二预设阈值进行对比,得到告警图像对应的烟火场景分类结果,其中,场景分类结果为:若对应非告警场景的置信度小于预设第一阈值,和/或将对应需告警场景的置信度大于第二预设阈值,则为需告警场景;若对应非告警场景的置信度大于预设第一阈值,和/或将对应需告警场景的置信度小于第二预设阈值,则为非告警场景。
可选的,上述装置还包括:
图像输入模块,用于将非告警的烟火场景样本图像、和/或需告警的烟火场景样本图像输入待训练的场景分类模型;
区域提取模块,用于通过待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域;
特征提取模块,用于通过待训练的场景分类模型对目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果;
损失计算模块,用于根据当前的分类结果和输入的图像的标签计算得到待训练的场景分类模型当前的损失,其中,输入的图像的标签为预先标注的用于表示输入的图像的正确场景分类的标签;
参数调整模块,用于根据当前的损失对待训练的场景分类模型进行参数调整,并返回通过待训练的场景分类模型对目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果的步骤继续执行,直至当前损失小于预设损失阈值,得到预先训练好的场景分类模型。
可选的,上述装置还包括:
非告警判断模块,用于若烟火场景图像对应的场景为非告警场景,则不发送烟火告警信息。
可见,通过本申请实施例的装置,可以对待发送的烟火告警信息中的烟火图像进行场景的识别,通过判断烟火图像对应的场景是否为告警场景或不是非告警场景,只有当对应的场景是否为告警场景或不是非告警场景时,才发送烟火告警信息,从而提高烟火告警准确率。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现如下步骤:
获取待发送的烟火告警信息,其中,烟火告警信息包括告警图像,告警图像中包含烟火目标;告警图像是通过预设烟火识别算法识别到的图像;
通过预先训练好的场景分类模型对告警图像进行烟火场景分类,得到告警图像对应的烟火场景分类结果,其中,预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
若场景分类结果为告警图像对应的场景不是非告警场景,或者,场景分类结果为告警图像对应的场景是需告警场景时,则发送烟火告警信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一烟火告警方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一烟火告警方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、存储介质及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种烟火告警方法,其特征在于,包括:
获取待发送的烟火告警信息,其中,所述烟火告警信息包括告警图像,所述告警图像中包含烟火目标;所述告警图像是通过预设烟火识别算法识别到的图像;
通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,其中,所述预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
若所述场景分类结果为所述告警图像对应的场景不是非告警场景,或者,所述场景分类结果为所述告警图像对应的场景是需告警场景时,则发送烟火告警信息。
2.根据权利要求1所述的方法,其特征在于,所述通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,包括:
通过预先训练好的场景分类模型计算所述告警图像为所述非告警场景,和/或所述需告警场景的置信度;
将对应所述非告警场景的置信度与预设第一阈值进行对比,和/或将对应所述需告警场景的置信度与第二预设阈值进行对比,得到所述告警图像对应的烟火场景分类结果,其中,所述场景分类结果为:若对应所述非告警场景的置信度小于预设第一阈值,和/或将对应所述需告警场景的置信度大于第二预设阈值,则为所述需告警场景;若对应所述非告警场景的置信度大于预设第一阈值,和/或将对应所述需告警场景的置信度小于第二预设阈值,则为所述非告警场景。
3.根据权利要求1所述的方法,其特征在于,所述预先训练好的场景分类模型的训练方法,包括:
将所述非告警的烟火场景样本图像、和/或所述需告警的烟火场景样本图像输入待训练的场景分类模型;
通过所述待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域;
通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果;
根据所述当前的分类结果和输入的图像的标签计算得到所述待训练的场景分类模型当前的损失,其中,所述输入的图像的标签为预先标注的用于表示所述输入的图像的正确场景分类的标签;
根据所述当前的损失对所述待训练的场景分类模型进行参数调整,并返回所述通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果的步骤继续执行,直至所述当前损失小于预设损失阈值,得到所述预先训练好的场景分类模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
若所述烟火场景图像对应的场景为所述非告警场景,则不发送所述烟火告警信息。
5.一种烟火告警装置,其特征在于,包括:
信息获取模块,用于获取待发送的烟火告警信息,其中,所述烟火告警信息包括告警图像,所述告警图像中包含烟火目标;所述告警图像是通过预设烟火识别算法识别到的图像;
场景分类模块,用于通过预先训练好的场景分类模型对所述告警图像进行烟火场景分类,得到所述告警图像对应的烟火场景分类结果,其中,所述预先训练好的场景分类模型是通过非告警的烟火场景图像、和/或需告警的烟火场景图像训练得到的算法模型;
告警发送模块,用于若所述场景分类结果为所述告警图像对应的场景不是非告警场景,或者,所述场景分类结果为所述告警图像对应的场景是需告警场景时,则发送烟火告警信息。
6.根据权利要求5所述的装置,其特征在于,所述场景分类模块,包括:
置信度计算子模块,用于通过预先训练好的场景分类模型计算所述告警图像为所述非告警场景,和/或所述需告警场景的置信度;
阈值对比子模块,用于将对应所述非告警场景的置信度与预设第一阈值进行对比,和/或将对应所述需告警场景的置信度与第二预设阈值进行对比,得到所述告警图像对应的烟火场景分类结果,其中,所述场景分类结果为:若对应所述非告警场景的置信度小于预设第一阈值,和/或将对应所述需告警场景的置信度大于第二预设阈值,则为所述需告警场景;若对应所述非告警场景的置信度大于预设第一阈值,和/或将对应所述需告警场景的置信度小于第二预设阈值,则为所述非告警场景。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
图像输入模块,用于将所述非告警的烟火场景样本图像、和/或所述需告警的烟火场景样本图像输入待训练的场景分类模型;
区域提取模块,用于通过所述待训练的场景分类模型对输入的图像进行烟火目标的识别,并根据识别到的烟火目标确定图像中的目标关联区域;
特征提取模块,用于通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果;
损失计算模块,用于根据所述当前的分类结果和输入的图像的标签计算得到所述待训练的场景分类模型当前的损失,其中,所述输入的图像的标签为预先标注的用于表示所述输入的图像的正确场景分类的标签;
参数调整模块,用于根据所述当前的损失对所述待训练的场景分类模型进行参数调整,并返回所述通过所述待训练的场景分类模型对所述目标关联区域进行特征提取,并根据提取的特征进行分类,得到当前的分类结果的步骤继续执行,直至所述当前损失小于预设损失阈值,得到所述预先训练好的场景分类模型。
8.根据权利要求5至7任一项所述的装置,其特征在于,所述装置还包括:
非告警判断模块,用于若所述烟火场景图像对应的场景为所述非告警场景,则不发送所述烟火告警信息。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183612.3A CN114445669A (zh) | 2022-02-25 | 2022-02-25 | 一种烟火告警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183612.3A CN114445669A (zh) | 2022-02-25 | 2022-02-25 | 一种烟火告警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445669A true CN114445669A (zh) | 2022-05-06 |
Family
ID=81373827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210183612.3A Pending CN114445669A (zh) | 2022-02-25 | 2022-02-25 | 一种烟火告警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445669A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909221A (zh) * | 2023-02-16 | 2023-04-04 | 江西博微新技术有限公司 | 图像识别方法、***、计算机设备及可读存储介质 |
-
2022
- 2022-02-25 CN CN202210183612.3A patent/CN114445669A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909221A (zh) * | 2023-02-16 | 2023-04-04 | 江西博微新技术有限公司 | 图像识别方法、***、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101789690B1 (ko) | 딥 러닝 기반 보안 서비스 제공 시스템 및 방법 | |
Lestari et al. | Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation | |
KR101910542B1 (ko) | 객체 검출을 위한 영상분석 서버장치 및 방법 | |
CN111127508B (zh) | 一种基于视频的目标跟踪方法及装置 | |
CN109815787B (zh) | 目标识别方法、装置、存储介质及电子设备 | |
KR102002812B1 (ko) | 객체 검출을 위한 영상분석 서버장치 및 방법 | |
CN111523510A (zh) | 行为识别方法、装置、***、电子设备及存储介质 | |
CN109698906B (zh) | 基于图像的抖动处理方法及装置、视频监控*** | |
CN111210399A (zh) | 一种成像质量评价方法、装置及设备 | |
CN110956615A (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112949459A (zh) | 吸烟图像的识别方法及装置、存储介质、电子设备 | |
CN115396204A (zh) | 一种基于序列预测的工控网络流量异常检测方法及装置 | |
CN114255562A (zh) | 基于物联网的智慧消防预警*** | |
CN114445669A (zh) | 一种烟火告警方法、装置、电子设备及存储介质 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN108564751A (zh) | 电缆隧道防入侵的监测方法、装置及*** | |
CN109684953B (zh) | 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置 | |
CN111064719A (zh) | 文件异常下载行为的检测方法及装置 | |
CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 | |
CN117037065A (zh) | 火焰烟雾浓度检测方法、装置、计算机设备和存储介质 | |
CN115984780B (zh) | 工业固体废物出入库判别方法、装置、电子设备及介质 | |
Batista et al. | Improved real-time wildfire detection using a surveillance system | |
CN114758470B (zh) | 一种基于消防工程的火灾预警方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |