(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 202210716112.1 (22)申请日 2022.06.23 (71)申请人 松立控股集团股份有限公司 地址 266000 山东省青岛市 市南区宁 夏路 288号软件园6号楼1 1层 (72)发明人 刘寒松　王永　王国强　刘瑞　 焦安健　翟贵乾　谭连胜　李贤超　 (74)专利代理 机构 青岛高晓专利事务所(普通 合伙) 37104 专利代理师 黄晓敏 (51)Int.Cl. G06Q 10/04(2012.01) G06V 10/764(2022.01) G06V 10/22(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/26(2022.01) G06V 20/70(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种停车场火灾预测方法 (57)摘要 本发明属于火灾预测技术领域， 涉及一种停 车场火灾预测方法， 通过基于语义特征的类别激 活映射定位火灾区域， 以及基于网络中间层多尺 度特征和训练过程中不断输出的结果， 采用跨代 特征聚合模块聚合迭代输出结果， 同时， 基于初 始粗分割结果消融原始RGB输入图片， 并输入到 分类网络， 二次精细化分割结果， 能减少误报率， 而且不受周围环境影响， 且对数据要求低， 仅可 以用在停车场火灾检测领域， 对于其他数据集匮 乏需要采用弱监督方式提升精度的领域同样适 用。 权利要求书1页 说明书4页 附图3页 CN 114936718 A 2022.08.23 CN 114936718 A 1.一种停车场火灾预测方法， 其特 征在于， 具体过程 为： （1） 收集停车场火灾时图片以及停车场未发生火灾的图片， 并分别标注为有火灾图片 和无火灾图片作为类别标签， 同时， 将有火灾和无火灾图片数据集划分为训练集， 验证集和 测试集三个子数据集； （2） 采用类别激活映射的方式将类别信息转化为定位信息的类别激活图， 利用是否发 生火灾的类别标签定位火灾的位置， 将停车场中火灾 位置进行粗定位得到语义信息； （3） 基于多尺度特征 聚合的火灾区域精定位： 将步骤 （2） 进行粗定位后的图片输入深度 学习网络， 通过深度学习网络 输出侧输出的特 征作为火焰多尺度信息； （4） 将步骤 （3） 基于深度学习网络训练过程中的迭代结果进行输出， 以及中间迭代输出 信息， 并作为火灾共性信息的加权； （5） 将语义信息、 多尺度信息和中间迭代输出信息进行融合， 并采用分割算法CRF将粗 定位信息划分为前景火焰信息和背景信息， 再将前景区域作用到输入的火灾检测图片上， 形成局部缺失的火灾检测图片， 进行二次分类之后继续发现尚未发现的火灾区域， 最终得 到停车场火灾的精确分割区域； （6） 基于步骤 （5） 得到的停车场火灾的精确分割区域， 采用迁移学习的方式训练一个端 到端的停车场火灾分割网络， 将停车场中火灾区域精细分割出来； （7） 通过构建的有火灾和无火灾图片训练数据集作为火灾分类网络的输入， 并预测是 否发生火灾， 并反向传播误差， 进行有火灾和无火灾预测网络训练； 同时， 利用火灾预测网 络的输出训练火灾 位置分割网络； （8） 将训练好的分割网络模型加载到分割网络， 并输出停车场火焰分割结果。权　利　要　求　书 1/1 页 2 CN 114936718 A 2一种停车场火灾 预测方法 技术领域 [0001]本发明属于火灾预测技术领域， 涉及一种停车场火灾预测方法， 特别是一种基于 弱监督跨迭代特 征关系互学习的停车场火灾预测方法。 背景技术 [0002]本发明属于火灾预测技术领域， 涉及一种停车场火灾预测方法， 特别是一种基于 弱监督跨迭代特 征关系互学习的停车场火灾预测方法 随着经济 的发展和社会的进步， 车辆逐渐增多， 这对大型停车场提出了更高的需 求， 其中， 尤为重要的是停车场安全设施的安置， 例如， 大型停车场如果出现明火， 没有及时 扑灭， 车中具有非常的多的燃油以及易燃物品， 将会瞬间引燃整个停车场， 这将会给人的生 命和财产造成极大的损失。 [0003]目前， 基于着火时 的温度， 烟雾等数据指标， 可以采用传感器的方式起到预报的作 用， 但是， 这种物理器件非常依赖于环境条件， 经常出现误报， 甚至只有达到指定阈值才能 报警， 这对于及时发现火灾并采取措施来说不能满足现实要求； 基于机器学习算法的火灾 识别算法的提出， 为仅依靠物理器件预报火灾提供了更可靠的依据， 尤其是计算机视觉的 快速发展， 基于深度学习的火灾预警算法取得了非常高的精度， 并逐渐得到普及， 现有的火 灾预警算法往往基于大量数据训练得到非常高的精度预测模型， 然而， 这种基于数据的方 式存在非常大的弊端， 就是网络模型的泛化性能非常有限， 当模型应用在新的环境中时， 精 度会出现断崖式的下跌， 威胁到人们的生命和财产安全。 发明内容 [0004]本发明的目的在于克服现有技术存在的缺点， 设计提供一种停车场火灾预测方 法， 基于弱监督跨迭代特征关系互学习对停车场火灾进行预测， 解决了目前火灾检测依靠 物理传感器元器件检测中存在的不可靠问题， 以及基于视觉火焰检测方法需要大量数据训 练， 且模型泛化 性不强， 且只能预测火焰位置， 无法对火焰的形状做出 预测的问题。 [0005]为实现上述目的， 本发明实现停车场火灾预测的具体过程 为： （1） 收集停车场火灾时图片以及停车场未发生火灾的图片， 并分别标注为有火灾 图片和无火灾图片作为类别标签， 同时， 将有火灾和无火灾图片数据集划分为训练集， 验证 集和测试集三个子数据集； （2） 采用类别激活映射的方式将类别信息转化为定位信息的类别激活图， 利用是 否发生火灾的类别标签定位火灾的位置， 将停车场中火灾 位置进行粗定位得到语义信息； （3） 基于多尺度特征聚合的火灾区域精定位： 将步骤 （2） 进行粗定位后的图片输入 深度学习网络， 通过深度学习网络 输出侧输出的特 征作为火焰多尺度信息； （4） 将步骤 （3） 基于深度学习网络训练过程中的迭代结果进行输出， 以及中间迭代 输出信息， 并作为火灾共性信息的加权； （5） 将语义信息、 多尺度信息和中间迭代输出信息进行融合， 并采用分割算法CRF说　明　书 1/4 页 3 CN 114936718 A 3