一种阴燃火探测方法、系统及计算机存储介质

本申请涉及神经网络，特别涉及一种阴燃火探测方法、系统及计算机存储介质。

背景技术：

1、阴燃是一种特殊的燃烧形式，可燃物在燃烧过程中不产生可见的火焰，而通常只会产生烟雾，因此对于通过探测火焰来识别燃烧的检测技术来说都无法对阴燃进行准确的识别。但是，阴燃一旦发生就会导致严重的火灾，因此在阴燃阶段的准确识别是防止火灾发生的重要手段。

2、目前，无论是对火灾还是阴燃的探测都是基于图像的分析，在分析过程中常用的神经网络主要是yolo(you only look once)和svm(supported vector machine)，基于这两种神经网络的探测技术都存在计算量大和检测准确度不高的问题。

技术实现思路

1、本申请实施例提供了一种阴燃火探测方法、系统及计算机存储介质，用以解决现有技术中探测技术存在计算量大和准确度不高的问题。

2、一方面，本申请实施例提供了一种阴燃火探测方法，包括：

3、构建探测模型，所述探测模型采用改进的yolov7模型，所述探测模型的backbone部分骨干网络采用efficientformerv2模型，所述探测模型的head部分up模块替换为carafe(content-aware reassembly of features)模块，同时也利用nwd(normalizedwasserstein distance)度量检测所述探测模型的探测性能；

4、获取待识别红外图像；

5、利用所述探测模型对所述待识别红外图像进行阴燃火探测。

6、另一方面，本申请实施例还提供了一种阴燃火探测系统，包括：

7、模型构建模块，用于构建探测模型，所述探测模型采用改进的yolov7模型，所述探测模型的backbone部分骨干网络采用efficientformerv2模型，所述探测模型的head部分up模块替换为carafe模块，同时也利用nwd度量检测所述探测模型的探测性能；

8、图像获取模块，用于获取待识别红外图像；

9、阴燃火探测模块，用于利用所述探测模型对所述待识别红外图像进行阴燃火探测。

10、另一方面，本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有多条计算机指令，该多条计算机指令用于使计算机执行上述的方法。

11、本申请中的一种阴燃火探测方法、系统及计算机存储介质，具有以下优点：

12、采用红外图像作为数据，在复杂恶劣环境下能够有效地进行探测，而且能够准确地捕捉到温度异常等隐蔽的火灾迹象，非常适合阴燃火灾的探测。并且基于已有的yolov7模型，对其进行了改进，得到的阴燃火探测模型相较于传统模型而言，本申请的模型对于阴燃物质的检测速度更快且检测精度更准确，效率高，能更好的实现火灾的早期预警。

技术特征：

1.一种阴燃火探测方法，其特征在于，包括：

2.根据权利要求1所述的一种阴燃火探测方法，其特征在于，在构建所述探测模型后，还分别利用训练集和测试集对所述探测模型进行训练和测试。

3.根据权利要求2所述的一种阴燃火探测方法，其特征在于，获取所述训练集和测试集的方法为：

4.根据权利要求3所述的一种阴燃火探测方法，其特征在于，所述训练红外图像采用阴燃实验平台采集得到。

5.根据权利要求3所述的一种阴燃火探测方法，其特征在于，采用labelimg对所述训练红外图像进行标注，形成所述样本集。

6.根据权利要求3所述的一种阴燃火探测方法，其特征在于，在采集得到所述训练红外图像后，还对所述训练红外图像进行预处理。

7.根据权利要求1所述的一种阴燃火探测方法，其特征在于，所述efficientformerv2模型的local模块采用ffn，所述efficientformerv2模型的gobal模块采用mhsa+ffn。

8.一种阴燃火探测系统，其特征在于，包括：

9.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1-7任一项所述的方法。

技术总结
本申请公开了一种阴燃火探测方法、系统及计算机存储介质，涉及神经网络技术领域，其中方法包括：构建探测模型，探测模型采用改进的YOLOV7模型，探测模型的Backbone部分骨干网络采用EfficientFormerV2模型，探测模型的Head部分up模块替换为CARAFE模块，同时也利用NWD度量检测探测模型的探测性能；获取待识别红外图像；利用探测模型对待识别红外图像进行阴燃火探测。本申请采用红外图像作为数据，适合阴燃火灾的探测，并且对YOLOv7模型进行了改进，得到的探测模型对于阴燃物质的检测速度更快且检测精度更准确，效率高，能更好的实现火灾的早期预警。

技术研发人员：袁航,任家辉,解聪,张文迪
受保护的技术使用者：陕西科技大学
技术研发日：
技术公布日：2024/3/31