(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210024963.X (22)申请日 2022.01.11 (71)申请人 广州高新兴机 器人有限公司 地址 510530 广东省广州市黄埔区科 学城 开创大道 2819号A619房 (72)发明人 曾一凡　宿凯　何沛开　刘彪　 柏林　舒海燕　沈创芸　祝涛剑　 雷宜辉　王恒华　 (74)专利代理 机构 广州国鹏知识产权代理事务 所(普通合伙) 44511 专利代理师 葛红 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/60(2017.01) G06T 7/66(2017.01) G06T 7/73(2017.01) (54)发明名称 火焰目标检测方法、 电子设备、 存 储介质 (57)摘要 本发明公开了一种火焰目标检测方法、 电子 设备、 存储介质， 方法包括以下步骤： S1、 获得图 像； S2、 采用深度学习卷积神经网络进行火焰检 测模型的训练， 得到检测模型yolo ‑v5； S3、 通过 所述检测模型yolo ‑v5对每一帧所述图像进行检 测， 得到初步的检测结果； S4、 通过基于火焰图像 特征的过滤模块对所述初步的检测结果进行过 滤； S5、 对符合判断条件的判断检测目标为火焰， 否则判断为误判。 本发明能够降低火焰目标检测 时的误检率。 权利要求书1页 说明书7页 附图3页 CN 114550078 A 2022.05.27 CN 114550078 A 1.一种火焰目标检测方法， 其特 征在于， 包括以下步骤： S1、 高清摄 像头获得图像； S2、 采用深度学习卷积神经网络进行火焰检测模型的训练， 得到检测模型yo lo‑v5； S3、 通过所述检测模型yo lo‑v5对每一帧所述图像进行检测， 得到初步的检测结果； S4、 通过基于火焰图像特 征的过滤模块对所述初步的检测结果进行 过滤； S5、 对符合判断条件的判断检测目标为火焰， 否则判断为 误判。 2.根据权利要求1所述的方法， 其特征在于， 步骤S1中， 采用摄像头实时拍摄， 获得所述 图像。 3.根据权利要求1所述的方法， 其特征在于， 步骤S3中， 通过所述检测模型yolo ‑v5检测 得到火焰 在输入的所述图像的坐标值。 4.根据权利要求3所述的方法， 其特征在于， 所述坐标值为火焰目标的四个坐标值， 所 述四个坐标值分别为所述火焰目标的中心点坐标x、 中心点坐标y、 目标框的长度和目标框 的宽度。 5.根据权利要求1所述的方法， 其特 征在于， 步骤S2包括： S21、 收集整理火焰样本图像， 构建训练、 测试样本集 合， 标注目标检测样本； S22、 通过步骤S21标注的训练集 合， 使用yo lo‑v5网络进行训练， 形成检测初始模型； S23、 收集、 整理现场 场景火焰样本图像， 构建训练、 测试样本集 合， 标注目标检测样本； S24、 通过步骤S23标注的训练集合， 在步骤S2训练的所述检测初始模型的基础上进行 模型微调， 得到火焰检测模型。 6.根据权利要求1所述的方法， 其特征在于， 步骤S4中， 基于火焰图像特征的过滤模块 从火焰的动态特 征和静态特 征对火焰检测模块检测的火焰区域进行判别过 滤。 7.根据权利要求6所述的方法， 其特征在于， 所述动态特征为火焰的频率特征、 能量特 征， 所述静态特 征为火焰的RGB彩色 分量特征和HSI颜色 分量特征。 8.根据权利要求7所述的方法， 其特征在于， 步骤S4中， 在同时满足频率特征、 能量特 征、 RGB彩色 分量特征和HSI颜色 分量特征时， 判断为火， 否则过 滤掉该误检结果。 9.一种电子设备， 其特征在于， 包括： 处理器和存储器， 在所述存储器中存储有计算机 程序指令， 其中， 在所述计算机程序指 令被所述处理器运行时， 使得所述处理器执行权利要 求1‑8中任一项所述的方法。 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存储有计算机程 序， 所述计算机程序被处理器运行时， 使 得所述处理器执行权利要求 1‑8中任一项 所述的方 法。权　利　要　求　书 1/1 页 2 CN 114550078 A 2火焰目标 检测方法、 电子设备、 存储介质 技术领域 [0001]本发明属于计算机图像处理技术领域， 具体涉及一种火焰目标检测方法、 电子设 备、 存储介质。 背景技术 [0002]在现实生活中， 火灾给我们的人身安全， 财产安全带来巨大的威胁， 如果火灾不及 时控制， 甚至会引起社会不 安， 所以火灾检测是安防监控领域的一个重要方向。 [0003]现有的火焰检测方法主 要可以分为两大类： [0004](1)机器视觉技术还没大规模应用的时， 火灾检测通常是通过安装相应 的传感器 装置， 利用传感器来监测火灾产生的烟雾， 高温， 亮光等特征， 从而实现火灾的检测， 但是由 于设备高度的限制， 覆盖范围等因素， 导致检测范围的局限性， 如果想多场景覆盖， 设备上 的增加， 必然带来成本上的压力。 [0005](2)随着现在机器视觉技术的发展， 利用机器视觉来实现火灾的检测成为一种可 能， 而且也有一些现有的技术方案： 在传统视觉技术方面， 有利用火焰特征来进行监测的。 例如利用采用RGB颜色来分析分析火焰， 将采集的火焰图片分别提取RGB通道， 利用火焰的 RGB分布特征来设定相应的阈值， 从而达到检测的作用。 还有结合火焰动态频率特征， 来实 现火焰的判别。 随着机器学习、 深度学习的发展， 也有利用神经网络， 尤其是卷积神经网络 来训练火焰检测模型， 利用训练的模型， 来实现 火焰目标的检测。 [0006]现有的一些火焰检测算法， 不管是利用传统图像方法或者卷积神经网络方法的火 焰检测算法具有较高误报的问题， 例如： [0007](一)传统的机器视觉方法采用人工 的先验知识， 利用火焰的通道特征、 边缘特征 来进行火焰判断， 但是基于图像视觉方法这种严重依赖于人工 设置的阈值， 抗干扰性不 强， 自适应不强， 很容 易出现漏报、 误报。 [0008](二)而近些年随着深度学习在机器视觉领域的深入发展， 利用深度学习的方法来 检测火焰也有不少方案， 但是， 卷积神经网络的训练是需要 大量的训练数据来支撑， 训练数 据的样本对模型 的鲁棒性具有很大 的影响， 同时， 深度学习的本质导致模型对火焰的检测 理论上并不能达到100％的准确 率， 一些跟火焰相似的图片也很容易被检测模型识别成火 焰。 而火焰检测在安防等监控场景下， 具有报警属性， 需要较高的准确率甚至是百分百的准 确率， 不然误检也会带来相应的资源浪费， 比如报警后需要人员亲自去现场确认。 发明内容 [0009]本申请的一个目的是提供一种火焰目标检测方法的新技术方案， 能够 提高检测效 率和检测准确率。 [0010]本发明的第一方面， 提供了一种火焰目标检测方法， 包括以下步骤： S1、 获得图像； S2、 采用深度学习卷积神经网络进行火焰检测模 型的训练， 得到检测模 型yolo‑v5； S3、 通过 所述检测模型yolo ‑v5对每一帧所述图像进行检测， 得到初步的检测结果； S4、 通过基于火说　明　书 1/7 页 3 CN 114550078 A 3