一种大跨空间仓库货架火灾定位方法

本发明为计算机视觉和深度学习领域，具体涉及一种大跨空间仓库货架火灾定位方法。

背景技术：

1、随着社会经济迅猛发展，企业生产、大型批发市场、仓储用房、物流业等大空间建筑越来越多，这些建筑具有人员流动性大，存储可燃物质多，内部通道错综复杂等特点，一旦发生火灾，极易造成财产的重大损失和重大事故。

2、受大跨空间建筑的内部结构限制，安装的温度传感器及喷淋系统与起火点距离较远，并且当温度到达一个较高的阈值时才会启动喷淋装置，这无疑会导致火情探测不及时。此外，由于大跨空间范围大，安装如此之多的温度传感器，耗费的人力物力财力也十分巨大。

3、仓库货架上堆放的货物处于动态的变化中，变化的货物堆叠会影响对货架起火的三维定位的效果，因此在大跨空间中通过俯仰角来控制灭火装置的灭火效果较差，对于一定范围的火场控制效果不佳。

技术实现思路

1、本发明提供了一种精度高的大跨空间仓库货架火灾定位方法，技术方案如下：

2、一种大跨空间仓库货架火灾定位方法，包括以下步骤：

3、步骤1，视频输入：读取仓库货架的监控视频帧，并进行包括滤波、降噪、校正在内的图像预处理操作；

4、步骤2，火灾检测：将经过预处理操作的视频帧通过火灾检测模块检测是否有火灾发生，如果有则输出像素级火灾坐标；在火灾检测网络的训练过程中，采用focal损失函数与iou损失函数相融合的形式来对网络进行训练；

5、步骤3，货架行列划分：将正常状态下的货架通过货架定位模块进行行列划分，货架定位模块是基于hed边缘检测算法构建的，方法如下：

6、hed边缘检测算法所构建的边缘检测网络，主干网络分成若干个阶段，每个阶段由3个卷积-批归一化-relu组所组成，不同阶段之间采用最大值池化相连接，构成多尺度网络结构；在主干网络中的每个阶段之后引入了整体边缘注意力se模块，se模块由1个固定权重的拉普拉斯卷积层，1个平均值池化层和2个全连接层依次串联组成；在主干网络的每个阶段的se模块之后还并行连接有旁路网络，该旁路网络采用1×1卷积层对主干网络提取到的特征进行压缩；将得到的各个阶段的旁路特征图按通道拼接，得到粗提取边缘图；将粗提取边缘图通过非极大值抑制算法进行行列细化，得到最终的货架行列轮廓图；

7、在边缘检测网络训练过程中，采用深度监督机制，即将各个阶段旁路输出图与最终的边缘图全部计算损失，损失函数为交叉熵损失函数与dice损失函数的加权融合；

8、步骤4，坐标映射：将步骤2得到的像素级火灾坐标映射到步骤3得到的货架行列轮廓图中，输出火灾所在货架的行列信息。

9、其中，火灾检测模块的火灾检测网络基于yolov3目标检测算法构建，主干网络用于提取图像特征；在主干网络之后，引入多个检测头，每个检测头负责不同尺度的目标检测；通过使用非极大值抑制的方法将识别出的边界框进行过滤，只保留具有最高置信度的边界框，以得到最终的火灾检测结果，同时输出边界框中心点的位置坐标。

10、本发明将边缘检测算法应用于大跨空间仓库货架这一特殊场景下的火灾定位方法具有有很高的实用价值和经济价值，为智慧灭火提供了新的思路。

技术特征：

1.一种大跨空间仓库货架火灾定位方法，包括以下步骤：

2.根据权利要求1所述的大跨空间仓库货架火灾定位方法，其特征在于，其中，火灾检测模块的火灾检测网络基于yolov3目标检测算法构建，主干网络用于提取图像特征；在主干网络之后，引入多个检测头，每个检测头负责不同尺度的目标检测；通过使用非极大值抑制的方法将识别出的边界框进行过滤，只保留具有最高置信度的边界框，以得到最终的火灾检测结果，同时输出边界框中心点的位置坐标。

技术总结
本发明涉及一种大跨空间仓库货架火灾定位方法，包括以下步骤：视频输入：读取仓库货架的监控视频帧，并进行包括滤波、降噪、校正在内的图像预处理操作；火灾检测：将经过预处理操作的视频帧通过火灾检测模块检测是否有火灾发生，如果有则输出像素级火灾坐标；在火灾检测网络的训练过程中，采用Focal损失函数与IOU损失函数相融合的形式来对网络进行训练；货架行列划分：将正常状态下的货架通过货架定位模块进行行列划分，货架定位模块是基于HED边缘检测算法构建的；将步骤2得到的像素级火灾坐标映射到步骤3得到的货架行列轮廓图中，输出火灾所在货架的行列信息。

技术研发人员：张为,刘长松
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/1/15