一种基于多源图像决策级融合算法的火灾检测实验方法与流程

本发明涉及火灾检测方法，特别涉及一种基于多源图像决策级融合算法的火灾检测实验方法。

背景技术：

1、随着我国高速公路建设的快速发展，公路建设作为民生经济的重要基础与载体，推动区域经济的飞速发展，促进社会进步。但是在施工过程中会存在动火作业、可燃材料储存、用电用火量大、交叉施工面多等安全隐患，导致公路施工工地现场火灾负荷增大，再加上施工活动区存在烟头乱扔、电线线路复杂、以及明火做饭区域划分不明确等行为，极易引发大型火灾类安全事故。

2、目前，传统的火灾监测方法大多通过现场传感器采集的火灾信息进行分析与报警，但由于火灾具有非结构性、干扰因素多、传播范围广等特征，导致误报率较高。近年来，在火灾监测与预警方面有很多技术改进，例如利用金属化封装技术制成的光纤bragg(布拉格)光栅火灾探测器，提高了火灾监测设备的灵敏度。采用rln-elam的算法，用于检测并消除噪声对测量精度的影响。采用基于zigbee信息传输的火灾检测系统，将co浓度、烟雾浓度以及温度信息融合进行融合，结合模糊推理机制判断是否有火灾发生。

3、随着智能化时代的发展，现有技术中还利用智能网络(gains)节点设计了能够监测温度、湿度和烟雾浓度的火灾探测单元。随着计算机视觉的快速发展，基于机器视觉的火灾监测技术在响应速度、信息处理、数据分析等方面表现较好。虽然上述在火灾监测准确率方面得到一定提升，但基于传感器的火灾探测，大多采用阈值法进行火灾的判断，并且由于传感器检测精度低、抗干扰能力弱，不可避免地出现数据单一、泛化能力不足、误报率较高等问题。

4、现有文献中对于火灾分析算法的研究中有提出火灾图像数据集，但该数据集无法对烟雾进行标注，导致算法精度低。还有人提出基于视频图像的火灾边缘计算方法，但计算过程需要占用较多的时间与内存，不利于火灾突发事件的处理，还降低了火灾监测的效率。但基于深度学习的火灾检测方法多基于单模态有限学习，模型过于关注局部信息，从而忽略全局信息，导致模型无法满足复杂任务场景，同样导致检测精度低，无法满足公路施工项目中火灾自动监测预警的需求。

技术实现思路

1、有鉴于此，本发明旨在提出一种基于多源图像决策级融合算法的火灾检测实验方法，以能够结合火灾具有随机性、多变性进行更准确的检测，满足公路施工项目火灾自动监测预警需求，提高施工工地安全管理。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于多源图像决策级融合算法的火灾检测实验方法：包括以下步骤：

4、s1：数据预处理，所述数据预处理步骤包括数据变换、图像降噪、图像增强、标准化处理；

5、s2：构建网络，基于s1处理的数据构建网络模型，通过卷积神经网络提取网络模型中图像的特征，得到多尺度的特征图；

6、s3：图像决策融合，对s2中所获得的多尺度特征分别进行预测，获得多尺度预测结果，并进行决策融合处理；

7、s4：模型训练，通过开源数据集对不同场景的数据进行标注，采用批处理方式进行网络训练，结合随机梯度下降法进行算法优化；

8、s5：模型验证，设定分类评价指标，检测评价指标，设置实验条件进行对比实验。

9、进一步的，s21：多尺度特征提取，输入特征图信息，通过分支特征获取多尺度特征上下文信息，联合非对称卷积获取空间位置特征信息，通过concat层按通道合并图片，最后输出特征图；

10、s22：多尺度特征融合，输入不同尺寸的特征图信息，构建并行多分支网络，进行特征融合后进行预测，在预测时融合多个层的预测结果。

11、进一步的，步骤s21中输入特征分辨率大小h、通道数c、特征图通道数n；

12、n＝c/2；

13、relu为激活函数，其计算公式为：f(x)＝max(0,x)。

14、进一步的，步骤s22中输入特征图分辨率大小为w、h，通道数为c，中间特征通道数分别为x、y、z，

15、x＝c/6；

16、y＝c/4；

17、z＝c/3。

18、进一步的，s221：采用卷积进行数据降维，减少模型计算量；

19、s222：选用不同大小的卷积以不同感受野大小获取不同尺度的火灾信息；

20、s223：将不同卷积核获取的特征图像进行融合，并利用卷积进行升维；

21、s224：将升维后的卷积通过空洞卷积处理；

22、s225：实现shortcut操作；

23、s226：输出特征图。

24、进一步的，步骤s222中，构建三层并行的分支网络，所述空洞卷积采用3*3，不同层的所述分支网络中的所述空洞卷积膨胀率不同。

25、进一步的，步骤s3中选用d-s证据理论算法实现图像决策融合，在同一识别框架中，给出多个不同证据的基本信任分配函数，然后运用d-s合成规则得出一个新的信任函数。

26、进一步的，通过d-s证据理论以及基于决策级图像融合方法为施工现场情况提供了初步火情辨识，给假设m1，m2，mn多个信任分配函数的焦元分别为xi(i＝1,2,...n)，d-s合成规则为：

27、

28、

29、其中c表示两证据之间的冲突大小，[1-k]-1为归一化因子。

30、进一步的，所述卷积神经网络包括输入层、卷积层、池化层、激活层和输出层；

31、设输入图像的大小为xm*xn，卷积核的尺寸大小为yu*yv，

32、通过卷积操作可以得到输出的图像形状的计算如下公式获得：

33、输出尺寸＝(xm-ym+zm+1)×(xn-yn+zn+1)；

34、

35、

36、式中，xm和xn表示输入图像尺寸、ym和yn表示卷积核尺寸、zm和zn表示卷积核尺寸、l和w表示卷积后特征图的长和宽。

37、进一步的，所述模型训练设置的迭代次数为300次、权重衰减系数为0.0005、初始学习率为0.01；

38、选取训练集、测试集和验证集的比例为8：1：1。

39、相对于现有技术，本发明具有以下优势：

40、本发明所述的基于多源图像决策级融合算法的火灾检测试验方法，通过数据预处理，构建网络，图像决策融合，模型训练以及模型验证等步骤，明确卷积神经网络和多模态数据特征级的基础上，基于工地全方位多角度的视频监控获取的多源图像进行融合处理，结合局部特征的分析与提取，以多模态数据融合为核心，在网络架构中增加模型感受野，强化特征信息融合，解决传感器检测精度低、抗干扰能力弱等问题。

41、此外，通过多尺度特征提取和多尺度特征融合的步骤相结合，并结合多尺度预测，不同大小的目标都可以在相应的尺度下拥有合适的特征表示,通过融合多尺度信息,在不同尺度下对不同大小的目标进行预测，可以很好地提升模型的性能。

42、另外，采用非对称卷积来显式地增强标准正方形的卷积核的表征能力，非对称卷积可以融合到正方形卷积核中，不需要额外的推理时间计算。在训练阶段使用3x3、1x3、3x1的卷积核对feature map进行卷积操作，然后对结果concat，训练完成后，在推理阶段，将3x3、1x3、3x1三类卷积核参数进行融合叠加，然后对特征图进行卷积运算，这种方式和3x3卷积操作运算次数相同，不会降低计算速度。