一种火情检测方法、装置及设备与流程

1.本技术涉及检测技术领域，尤其涉及一种火情检测方法、装置及设备。


背景技术：

2.现有技术中火情检测一般有两种方式，通过红外相机检测火焰发生区域并通过温度传感器检测火焰发生区域温度变化判断是否有火情；通过深度学习对大量火焰图片和非火焰图片进行分类处理，生成检测模型，确定拍摄到的图片是否有火情。
3.在实现现有技术的过程中，发明人发现：
4.通过红外相机和温度传感器检测火情在某些情景下并不适用，例如，对于被加热的钢管通过红外相机检测到钢管变红，且该区域温度发生变化，但并未发生火情；而通过检测模型判断，若拍摄到汽车的尾灯、强光的照射或是相机的曝光，导致局部图像出现红色或是橙色，就会引起火情的误报。
5.因此，本发明提供一种能够精确检测到火情发生的技术方案以解决现有技术中火情监测方法监测误报概率大的技术问题。


技术实现要素：

6.本技术实施例提供一种能够精确检测到火情发生的技术方案以解决现有技术中火情监测方法监测误报概率大的技术问题。
7.一种火情检测方法，包括：
8.获取若干初始帧图像；
9.采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集；
10.判断所述第一检测结果集是否满足第一预设条件；
11.当所述第一检测结果集不满足第一预设条件时，输入所述第一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果；
12.根据所述第二检测处理结果，确定检测到火情。
13.进一步的，采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集，具体包括：
14.采用yolov5模型对所述若干初始帧图像分别进行处理，生成若干初始帧图像的置信度；
15.根据所述若干初始帧图像的置信度，生成第一检测结果集；
16.其中，所述第一检测结果集为若干初始帧图像的置信度依次排列生成的集合。
17.进一步的，所述采用yolov5模型对所述若干初始帧图像进行处理，生成若干初始帧图像的置信度，具体包括：
18.采用yolov5模型分别对所述若干初始帧图像进行检测，生成若干初始帧图像的若干边界框初始确信分值；
19.对所述若干初始帧图像的若干边界框初始确信分值进行非极大值抑制处理，生成若干初始帧图像的置信度。
20.进一步的，所述初始帧图像的置信度的生成具体包括以下步骤：
21.对所述初始帧图像的若干边界框初始确信分值按分值大小排序，生成排序好的若干边界框初始确信分值的排序集合；
22.选择所述排序集合中若干边界框初始确信分值的最大值对应的边界框与所述排序集合中剩余若干边界框初始确信分值的最大值对应的边界框进行重叠域计算，生成边界框重叠值；
23.判断所述边界框重叠值是否小于预设重叠阈值；
24.当所述边界框重叠值小于预设重叠阈值时，确定所述边界框为目标边界框，生成初始帧图像的置信度；
25.其中，所述预设重叠阈值为0.3。
26.进一步的，判断所述第一检测结果集是否满足第一预设条件，具体包括：
27.根据所述第一检测结果集中若干初始帧图像的置信度，确定所述若干初始帧图像中发生火情的初始帧图像组；
28.判断所述发生火情的初始帧图像组的数量是否低于预设发生火情阈值；
29.其中，所述预设发生火情阈值根据初始帧图像的数量确定。
30.进一步的，所述yolov5模型，具体包括：
31.通过labelimg标注预设训练集中火情图片数据集，生成标注的预设训练集中火情图片数据集；
32.对所述标注的预设训练集中火情图片数据集至少采用多尺度训练策略、数据增强策略、迭代训练策略进行训练，生成yolov5模型。
33.进一步的，所述第二检测处理，具体包括：
34.对所述发生火情的初始帧图像组中初始帧图像的目标边界框进行比例转换，生成转换后的发生火情的初始帧图像组；
35.对所述转换后的发生火情的初始帧图像组进行像素温度值处理，生成发生火情的初始帧图像组的温度值集；
36.采用第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值，生成第二检测处理结果。
37.进一步的，语根据所述第二检测处理结果，确定检测到火情，具体包括：
38.判断所述第二检测处理结果是否大于第一预设阈值；
39.当所述最终函数值大于第一预设阈值时，确定发生火情；
40.其中，所述第一预设阈值根据图像场景确定。
41.一种火情检测检测装置，包括：
42.获取模块，用于获取若干初始帧图像；
43.第一处理模块，用于采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集；
44.判断模块，用于判断所述第一检测结果集是否满足第一预设条件；
45.第二处理模块，用于当所述第一检测结果集不满足第一预设条件时，输入所述第
一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果；
46.输出模块，用于根据所述第二检测处理结果，确定检测到火情。
47.一种火情检测检测设备，其特征在于，所述火情检测检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
48.所述至少一个处理器调用所述存储器中的所述指令，以使得所述火情检测检测设备执行权利要求1至7所述的火情检测方法。
49.本发明的有益效果是：通过本技术提供的火情检测方法、装置及设备，能够避免通过红外相机和温度传感器或者通过深度网络学习模型单一检测导致火情识别不够精确的问题，通过对图像线先进行第一检测模型检测确定是否发生火情，然后结合第二检测模型对第一检测模型中有可能发生火情的图片进行进一步处理，使得图像检测的火情结果更加精确。
附图说明
50.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
51.图1为本技术实施例提供的一种火情检测方法流程图；
52.图2为本技术实施例提供的一种火情检测装置示意图。
具体实施方式
53.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
54.请参照图1，本技术提供的一种火情检测方法，包括：
55.s100：获取若干初始帧图像。
56.具体的，初始帧图像即具有拍摄或摄像功能的检测设备拍摄的图像。若干初始帧图像即拍摄的设备拍摄的若干帧图像，初始帧机质拍摄设备拍摄的图像为未经处理的图像。若干初始帧图像即可以是两张以及两张以上的初始帧图像。还应当指出的是，获取的若干初始帧图像，可以是若干初始帧图像分别实时获取，也可以是间隔预定时间段获取的若干初始帧的图像。还应当理解的是，为了确定火情是否发生，获取的若干初始帧图像的数量应比较多，以便于能够在对若干张图像进行判断后，得出较为准确的结果。在本技术提供的一种优选实施例中，若干初始帧图像的获取为实时获取，若干初始帧图像优选30个初始帧图像。
57.s200：采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集。
58.具体的，在获取初始帧图像后先对其进行第一检测处理，以通过第一检测模型的处理，初步确定第一检测结果集是否发生火情。
59.进一步的，采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集，具体包括：采用yolov5模型对所
述若干初始帧图像分别进行处理，生成若干初始帧图像的置信度；根据所述若干初始帧图像的置信度，生成第一检测结果集；其中，所述第一检测结果集为若干初始帧图像的置信度依次排列生成的集合。
60.具体的，第一检测处理主要包括采用yolov5模型对初始帧图像处理，生成第一检测结果集来确定。第一检测结果集为若干初始帧图像的置信度依次排列生成的集合，可以理解为第一检测结果集即是由若干初始帧图像按获取的若干初始帧图像的帧排列生成的集合，每帧都有相应的初始帧图像的置信度。
61.应当指出的是，对于所述技术领域人员而言，yolov5模型即一种目标检测模型，主要包括：输入端：yolov5的head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标：backbone网络：yolov5使用cspdarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。neck网络：yolov5使用的是fpn(fpn网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，yolov5使用的是focal loss损失函数，该函数可以缓解目标检测中类别不平衡的问题，提高模型的性能。非极大值抑制(nms)，yolov5在输出结果后，会对重叠的目标框进行nms处理，以得到最终的检测结果。激活函数，yolov5使用的是mish激活函数，该函数是一种替代relu的激活函数，可以提高模型的性能。
62.通过所述目标检测模型确定若干初始帧图像的置信度。置信度即在抽样对总体参数作出估计时，由于样本的随机性，其结论总是不确定的。因此，采用一种概率的陈述方法，也就是数理统计中的区间估计法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率有多大，这个相应的概率称作置信度。
63.进一步的，所述yolov5模型，具体包括：通过labelimg标注预设训练集中火情图片数据集，生成标注的预设训练集中火情图片数据集；对所述标注的预设训练集中火情图片数据集至少采用多尺度训练策略、数据增强策略、迭代训练策略进行训练，生成yolov5模型。
64.具体的，在本技术提供的一种优选实施例中，yolov5模型(即目标检测模型)在以上基础上对其进行训练，具体包括：通过labelimg标注预设训练集中火情图片数据集，生成标注的预设训练集中火情图片数据集。预设训练集中火情图片数据集的来源可以是火情公开数据集和公司自采火情数据集。labelimg标注对于所属技术领域人员而言为数据标注工具，可以标注voc、yolo、createml格式的文件，在本技术中主要用于标注yolo格式的火情图片数据集。在此基础上，对所述标注的预设训练集中火情图片数据集还通过多尺度训练策略、数据增强策略进行处理，多尺度训练策略即针对不同的batch-size，输入不同分辨率的图像，数据增强策略即对图像进行随机剪切、翻转、平移等处理方式进行处理。可以理解的是，通过多尺度训练策略、数据增强策略主要是为了增强图像的泛化能力，以使得目标检测模型的识别更加精准。还应当指出的是，对所述标注的预设训练集中火情图片数据集还采用迭代训练策略进行训练，即也是为提高目标检测模型的检测性能。
65.进一步的，所述采用yolov5模型对所述若干初始帧图像进行处理，生成若干初始帧图像的置信度，具体包括：采用yolov5模型分别对所述若干初始帧图像进行检测，生成若干初始帧图像的若干边界框初始确信分值；对所述若干初始帧图像的若干边界框初始确信分值进行非极大值抑制处理，生成若干初始帧图像的置信度。
66.具体的，在经过yolov5模型对初始帧图像检测处理后，还需通过非极大值抑制处理，以生成较为准确的若干初始帧图像的置信度。可以理解的是，通过yolov5模型只能生成初始帧图像的检测结果，即若干初始帧图像的若干边界框初始确信分值，但该结果并不能保证其检测的准确性，但在经过非极大值抑制处理后，其检测结果相较而言会更为准确。
67.应当指出的是，非极大值抑制处理即去除冗余的检测框。可以理解在使用目标检测算法检测后生成长度不同、数量较多的候选边界框，而为了更好的保证检测目标的准确性，通过非极大值抑制处理可使得每一个初始帧图像输出最佳的边界框，进而生成初始帧图像边界框的置信度。
68.进一步的，所述初始帧图像的置信度的生成具体包括以下步骤：对所述初始帧图像的若干边界框初始确信分值按分值大小排序，生成排序好的若干边界框初始确信分值的排序集合；选择所述排序集合中若干边界框初始确信分值的最大值对应的边界框与所述排序集合中剩余若干边界框初始确信分值的最大值对应的边界框进行重叠域计算，生成边界框重叠值；判断所述边界框重叠值是否小于预设重叠阈值；当所述边界框重叠值小于预设重叠阈值时，确定所述边界框为目标边界框，生成初始帧图像的置信度；其中，所述预设重叠阈值为0.3。
69.具体的，在初始帧图像进行yolov5模型处理后，初始帧图像会有多个边界框，首先对多个边界框的边界框初始确信分值分别进行分值大小排序，然后选择多个边界框的确信分值的最大值对应的边界框与排序集合中剩余多个边界框的确信分值的最大值对应的边界框进行重叠域计算，生成边界框重叠值，当所述边界框重叠值是否小于预设重叠阈值时，确定所述边界框为目标边界框，进而生成初始帧图像的置信度。
70.应当指出的是，若初始帧图像中的多个边界框在经过非极大值抑制处理后不存在小于预设重叠阈值的边界框时，则可确定该初始帧图像没有发生火情，即生成的初始帧的图像的置信度为0。
71.还可以理解的是，若边界框重叠值大于预设重叠阈值时，则认定为两个框的里面的物体属于同一个类别，例如都属于狗这个类别。我们只需要留下一个类别的可能性框图即可。
72.s300：判断所述第一检测结果集是否满足第一预设条件。
73.进一步的，判断所述第一检测结果集是否满足第一预设条件，具体包括：根据所述第一检测结果集中若干初始帧图像的置信度，确定所述若干初始帧图像中发生火情的初始帧图像组；判断所述发生火情的初始帧图像组的数量是否低于预设发生火情阈值；其中，所述预设发生火情阈值根据初始帧图像的数量确定。
74.具体的，第一检测结果集中包括若干初始帧图像的置信度，若干初始帧图像的置信度中包括有确定初始帧图像的边界框且存在初始帧图像的置信度、还包括初始帧图像中不存在边界框相应的初始帧图像的置信度为0的情况，即未检测到火情的图像。在此基础上，根据若干初始帧图像的置信度生成干初始帧图像中发生火情的初始帧图像组。
75.应当指出，根据所述第一检测结果集中若干初始帧图像的置信度，确定所述若干初始帧图像中发生火情的初始帧图像组，在本技术提供的一种实施例中，具体表现为：若干初始帧图像为30帧初始帧图像，通过过滤管道对30帧初始帧图像中置信度为0(即未检测到火情)的初始帧图像进行过滤，确定若干初始帧图像中发生火情的初始帧图像数量，即发生
火情的初始帧图像组。通过判断所述发生火情的初始帧图像组的数量是否低于预设发生火情阈值，确定是否发生火情。所述预设发生火情阈值根据初始帧图像的数量确定，本技术中预设发生火情阈值具体表象为若干初始帧图像乘以0.8，即30乘以0.8等于24，即发生火情的初始帧图像组的数量是否低于24。可以理解，当低于24时，则不确定是否发生火情，当超过24时，则可确定第一检测结果集不满足预设条件，即发生火情的概率大，即采用第二检测模型对第一检测结果中发生火情的初始帧图像组进行进一步检测。
76.s400：当所述第一检测结果集不满足第一预设条件时，输入所述第一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果。
77.具体的，不满足第一预设条件，即发生火情的初始帧图像组的数量大于预设发生火情阈值。即发生火情的概率较大，则通过第二检测模型检测，以通过双重检测保证火情监测结果的准确性。
78.进一步的，所述第二检测处理，具体包括：对所述发生火情的初始帧图像组中初始帧图像的目标边界框进行比例转换，生成转换后的发生火情的初始帧图像组；对所述转换后的发生火情的初始帧图像组进行像素温度值处理，生成发生火情的初始帧图像组的温度值集；采用第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值，生成第二检测处理结果；
79.具体的，第二检测模型的检测基于第一检测模型中发生火情的初始帧图像组进行进一步检测，可以理解，在第一检测模型中检测的发生火情的初始帧图像进行进一步检测，能够更加精准的判定火情监测的准确性。第二检测模型主要通过红外相机进行检测，具体包括，对发生火情的初始帧图像组中初始帧图像的目标边界框进行比例转换，生成转换后的若干初始帧图像，即转换至红外相机的分辨率下，例如640x320。在对所述转换后的发生火情的初始帧图像组进行像素温度值处理，生成发生火情的初始帧图像组的温度值集，即通过红外相机依次求发生火情的初始帧图像组的像素温度值，生成发生火情的初始帧图像组的温度值集。然后通过第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值，第一函数运算求解可以是求解发生火情的初始帧图像组的温度值集的平均值，也可以是最大值。第一函数求解的最终函数值即第二检测处理结果。
80.s500：根据所述第二检测处理结果，确定检测到火情。
81.进一步的，根据所述第二检测处理结果，确定检测到火情，具体包括：判断所述第二检测处理结果是否大于第一预设阈值；当所述最终函数值大于第一预设阈值时，确定发生火情；其中，所述第一预设阈值根据图像场景确定。
82.具体的，当第二检测处理结果为发生火情的初始帧图像组的温度值集的平均值时，第一预设阈值为关于平均值所设定的阈值，当第二检测处理结果为发生火情的初始帧图像组的温度值集的最大值时，第一预设阈值为关于最大值所设定的阈值。当所述第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值即第二检测处理结果大于第一预设阈值时，即判定发生了火情。
83.还应当指出的时，第一预设阈值的设置还根据图像的场景确定。可以理解，图像的场景对第一预设阈值的设置也是相当重要的，例如，当图像的场景为地下停车场等视线不太好的地方时，发生火情的光亮较为明显，相应的第一预设阈值设置的较低，当图像的场景为露天场所视线较好的地方时，发生火情的光亮并不突出，相应的第一预设阈值设置的高。
84.请参照图2，一种火情检测检测装置，包括：
85.获取模块10，用于获取若干初始帧图像。具体的，初始帧图像即具有拍摄或摄像功能的检测设备拍摄的图像。若干初始帧图像即拍摄的设备拍摄的若干帧图像，初始帧机质拍摄设备拍摄的图像为未经处理的图像。若干初始帧图像即可以是两张以及两张以上的初始帧图像。还应当指出的是，获取的若干初始帧图像，可以是若干初始帧图像分别实时获取，也可以是间隔预定时间段获取的若干初始帧的图像。还应当理解的是，为了确定火情是否发生，获取的若干初始帧图像的数量应比较多，以便于能够在对若干张图像进行判断后，得出较为准确的结果。在本技术提供的一种优选实施例中，若干初始帧图像的获取为实时获取，若干初始帧图像优选30个初始帧图像。
86.第一处理模块20，用于采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集。
87.具体的，在获取初始帧图像后先对其进行第一检测处理，以通过第一检测模型的处理，初步确定第一检测结果集是否发生火情。
88.进一步的，采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集，具体包括：采用yolov5模型对所述若干初始帧图像分别进行处理，生成若干初始帧图像的置信度；根据所述若干初始帧图像的置信度，生成第一检测结果集；其中，所述第一检测结果集为若干初始帧图像的置信度依次排列生成的集合。
89.具体的，第一检测处理主要包括采用yolov5模型对初始帧图像处理，生成第一检测结果集来确定。第一检测结果集为若干初始帧图像的置信度依次排列生成的集合，可以理解为第一检测结果集即是由若干初始帧图像按获取的若干初始帧图像的帧排列生成的集合，每帧都有相应的初始帧图像的置信度。
90.进一步的，所述yolov5模型，具体包括：通过labelimg标注预设训练集中火情图片数据集，生成标注的预设训练集中火情图片数据集；对所述标注的预设训练集中火情图片数据集至少采用多尺度训练策略、数据增强策略、迭代训练策略进行训练，生成yolov5模型。
91.具体的，在本技术提供的一种优选实施例中，yolov5模型(即目标检测模型)在以上基础上对其进行训练，具体包括：通过labelimg标注预设训练集中火情图片数据集，生成标注的预设训练集中火情图片数据集。预设训练集中火情图片数据集的来源可以是火情公开数据集和公司自采火情数据集。labelimg标注对于所属技术领域人员而言为数据标注工具，可以标注voc、yolo、createml格式的文件，在本技术中主要用于标注yolo格式的火情图片数据集。在此基础上，对所述标注的预设训练集中火情图片数据集还通过多尺度训练策略、数据增强策略进行处理，多尺度训练策略即针对不同的batch-size，输入不同分辨率的图像，数据增强策略即对图像进行随机剪切、翻转、平移等处理方式进行处理。可以理解的是，通过多尺度训练策略、数据增强策略主要是为了增强图像的泛化能力，以使得目标检测模型的识别更加精准。还应当指出的是，对所述标注的预设训练集中火情图片数据集还采用迭代训练策略进行训练，即也是为提高目标检测模型的检测性能。
92.进一步的，所述采用yolov5模型对所述若干初始帧图像进行处理，生成若干初始帧图像的置信度，具体包括：采用yolov5模型分别对所述若干初始帧图像进行检测，生成若
干初始帧图像的若干边界框初始确信分值；对所述若干初始帧图像的若干边界框初始确信分值进行非极大值抑制处理，生成若干初始帧图像的置信度。
93.具体的，在经过yolov5模型对初始帧图像检测处理后，还需通过非极大值抑制处理，以生成较为准确的若干初始帧图像的置信度。可以理解的是，通过yolov5模型只能生成初始帧图像的检测结果，即若干初始帧图像的若干边界框初始确信分值，但该结果并不能保证其检测的准确性，但在经过非极大值抑制处理后，其检测结果相较而言会更为准确。
94.应当指出的是，非极大值抑制处理即去除冗余的检测框。可以理解在使用目标检测算法检测后生成长度不同、数量较多的候选边界框，而为了更好的保证检测目标的准确性，通过非极大值抑制处理可使得每一个初始帧图像输出最佳的边界框，进而生成初始帧图像边界框的置信度。
95.进一步的，所述初始帧图像的置信度的生成具体包括以下步骤：对所述初始帧图像的若干边界框初始确信分值按分值大小排序，生成排序好的若干边界框初始确信分值的排序集合；选择所述排序集合中若干边界框初始确信分值的最大值对应的边界框与所述排序集合中剩余若干边界框初始确信分值的最大值对应的边界框进行重叠域计算，生成边界框重叠值；判断所述边界框重叠值是否小于预设重叠阈值；当所述边界框重叠值小于预设重叠阈值时，确定所述边界框为目标边界框，生成初始帧图像的置信度；其中，所述预设重叠阈值为0.3。
96.具体的，在初始帧图像进行yolov5模型处理后，初始帧图像会有多个边界框，首先对多个边界框的边界框初始确信分值分别进行分值大小排序，然后选择多个边界框的确信分值的最大值对应的边界框与排序集合中剩余多个边界框的确信分值的最大值对应的边界框进行重叠域计算，生成边界框重叠值，当所述边界框重叠值是否小于预设重叠阈值时，确定所述边界框为目标边界框，进而生成初始帧图像的置信度。
97.应当指出的是，若初始帧图像中的多个边界框在经过非极大值抑制处理后不存在小于预设重叠阈值的边界框时，则可确定该初始帧图像没有发生火情，即生成的初始帧的图像的置信度为0。
98.还可以理解的是，若边界框重叠值大于预设重叠阈值时，则认定为两个框的里面的物体属于同一个类别，例如都属于狗这个类别。我们只需要留下一个类别的可能性框图即可。
99.判断模块30，用于判断所述第一检测结果集是否满足第一预设条件。
100.进一步的，判断所述第一检测结果集是否满足第一预设条件，具体包括：根据所述第一检测结果集中若干初始帧图像的置信度，确定所述若干初始帧图像中发生火情的初始帧图像组；判断所述发生火情的初始帧图像组的数量是否低于预设发生火情阈值；其中，所述预设发生火情阈值根据初始帧图像的数量确定。
101.具体的，第一检测结果集中包括若干初始帧图像的置信度，若干初始帧图像的置信度中包括有确定初始帧图像的边界框且存在初始帧图像的置信度、还包括初始帧图像中不存在边界框相应的初始帧图像的置信度为0的情况，即未检测到火情的图像。在此基础上，根据若干初始帧图像的置信度生成干初始帧图像中发生火情的初始帧图像组。
102.应当指出，根据所述第一检测结果集中若干初始帧图像的置信度，确定所述若干初始帧图像中发生火情的初始帧图像组，在本技术提供的一种实施例中，具体表现为：若干
初始帧图像为30帧初始帧图像，通过过滤管道对30帧初始帧图像中置信度为0(即未检测到火情)的初始帧图像进行过滤，确定若干初始帧图像中发生火情的初始帧图像数量，即发生火情的初始帧图像组。通过判断所述发生火情的初始帧图像组的数量是否低于预设发生火情阈值，确定是否发生火情。所述预设发生火情阈值根据初始帧图像的数量确定，本技术中预设发生火情阈值具体表象为若干初始帧图像乘以0.8，即30乘以0.8等于24，即发生火情的初始帧图像组的数量是否低于24。可以理解，当低于24时，则不确定是否发生火情，当超过24时，则可确定第一检测结果集不满足预设条件，即发生火情的概率大，即采用第二检测模型对第一检测结果中发生火情的初始帧图像组进行进一步检测。
103.第二处理模块40，用于当所述第一检测结果集不满足第一预设条件时，输入所述第一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果。
104.具体的，不满足第一预设条件，即发生火情的初始帧图像组的数量大于预设发生火情阈值。即发生火情的概率较大，则通过第二检测模型检测，以通过双重检测保证火情监测结果的准确性。
105.进一步的，所述第二检测处理，具体包括：对所述发生火情的初始帧图像组中初始帧图像的目标边界框进行比例转换，生成转换后的发生火情的初始帧图像组；对所述转换后的发生火情的初始帧图像组进行像素温度值处理，生成发生火情的初始帧图像组的温度值集；采用第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值，生成第二检测处理结果；
106.具体的，第二检测模型的检测基于第一检测模型中发生火情的初始帧图像组进行进一步检测，可以理解，在第一检测模型中检测的发生火情的初始帧图像进行进一步检测，能够更加精准的判定火情监测的准确性。第二检测模型主要通过红外相机进行检测，具体包括，对发生火情的初始帧图像组中初始帧图像的目标边界框进行比例转换，生成转换后的若干初始帧图像，即转换至红外相机的分辨率下，例如640x320。在对所述转换后的发生火情的初始帧图像组进行像素温度值处理，生成发生火情的初始帧图像组的温度值集，即通过红外相机依次求发生火情的初始帧图像组的像素温度值，生成发生火情的初始帧图像组的温度值集。然后通过第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值，第一函数运算求解可以是求解发生火情的初始帧图像组的温度值集的平均值，也可以是最大值。第一函数求解的最终函数值即第二检测处理结果。
107.输出模块50，用于根据所述第二检测处理结果，确定检测到火情。
108.进一步的，根据所述第二检测处理结果，确定检测到火情，具体包括：判断所述第二检测处理结果是否大于第一预设阈值；当所述最终函数值大于第一预设阈值时，确定发生火情；其中，所述第一预设阈值根据图像场景确定。
109.具体的，当第二检测处理结果为发生火情的初始帧图像组的温度值集的平均值时，第一预设阈值为关于平均值所设定的阈值，当第二检测处理结果为发生火情的初始帧图像组的温度值集的最大值时，第一预设阈值为关于最大值所设定的阈值。当所述第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值即第二检测处理结果大于第一预设阈值时，即判定发生了火情。
110.还应当指出的时，第一预设阈值的设置还根据图像的场景确定。可以理解，图像的场景对第一预设阈值的设置也是相当重要的，例如，当图像的场景为地下停车场等视线不
太好的地方时，发生火情的光亮较为明显，相应的第一预设阈值设置的较低，当图像的场景为露天场所视线较好的地方时，发生火情的光亮并不突出，相应的第一预设阈值设置的高。
111.一种火情检测设备，其特征在于，所述火情检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令。
112.存储器存储有火情检测程序，所述火情检测程序被处理器执行时实现如上述任一项实施例中所述的火情检测方法的步骤。其中，火情检测程序被处理器执行时所实现的方法可参照本发明语音端点检测方法的各个实施例，因此不再过多赘述。
113.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
114.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
115.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种火情检测方法，其特征在于，包括：获取若干初始帧图像；采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集；判断所述第一检测结果集是否满足第一预设条件；当所述第一检测结果集不满足第一预设条件时，输入所述第一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果；根据所述第二检测处理结果，确定检测到火情。2.如权利要求1所述方法，其特征在于，采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集，具体包括：采用yolov5模型对所述若干初始帧图像分别进行处理，生成若干初始帧图像的置信度；根据所述若干初始帧图像的置信度，生成第一检测结果集；其中，所述第一检测结果集为若干初始帧图像的置信度依次排列生成的集合。3.如权利要求2所述方法，其特征在于，所述采用yolov5模型对所述若干初始帧图像进行处理，生成若干初始帧图像的置信度，具体包括：采用yolov5模型分别对所述若干初始帧图像进行检测，生成若干初始帧图像的若干边界框初始确信分值；对所述若干初始帧图像的若干边界框初始确信分值进行非极大值抑制处理，生成若干初始帧图像的置信度。4.如权利要求3所述方法，其特征在于，所述初始帧图像的置信度的生成具体包括以下步骤：对所述初始帧图像的若干边界框初始确信分值按分值大小排序，生成排序好的若干边界框初始确信分值的排序集合；选择所述排序集合中若干边界框初始确信分值的最大值对应的边界框与所述排序集合中剩余若干边界框初始确信分值的最大值对应的边界框进行重叠域计算，生成边界框重叠值；判断所述边界框重叠值是否小于预设重叠阈值；当所述边界框重叠值小于预设重叠阈值时，确定所述边界框为目标边界框，生成初始帧图像的置信度；其中，所述预设重叠阈值为0.3。5.如权利要求2所述方法，其特征在于，判断所述第一检测结果集是否满足第一预设条件，具体包括：根据所述第一检测结果集中若干初始帧图像的置信度，确定所述若干初始帧图像中发生火情的初始帧图像组；判断所述发生火情的初始帧图像组的数量是否低于预设发生火情阈值；其中，所述预设发生火情阈值根据初始帧图像的数量确定。6.如权利要求2所述方法，其特征在于，所述yolov5模型，具体包括：通过labelimg标注预设训练集中火情图片数据集，生成标注的预设训练集中火情图片
数据集；对所述标注的预设训练集中火情图片数据集至少采用多尺度训练策略、数据增强策略、迭代训练策略进行训练，生成yolov5模型。7.如权利要求5所述方法，其特征在于，所述第二检测处理，具体包括：对所述发生火情的初始帧图像组中初始帧图像的目标边界框进行比例转换，生成转换后的发生火情的初始帧图像组；对所述转换后的发生火情的初始帧图像组进行像素温度值处理，生成发生火情的初始帧图像组的温度值集；采用第一函数运算求解发生火情的初始帧图像组的温度值集的最终函数值，生成第二检测处理结果。8.如权利要求1所述方法，其特征在于，根据所述第二检测处理结果，确定检测到火情，具体包括：判断所述第二检测处理结果是否大于第一预设阈值；当所述最终函数值大于第一预设阈值时，确定发生火情；其中，所述第一预设阈值根据图像场景确定。9.一种火情检测检测装置，其特征在于，包括：获取模块，用于获取若干初始帧图像；第一处理模块，用于采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集；判断模块，用于判断所述第一检测结果集是否满足第一预设条件；第二处理模块，用于当所述第一检测结果集不满足第一预设条件时，输入所述第一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果；输出模块，用于根据所述第二检测处理结果，确定检测到火情。10.一种火情检测检测设备，其特征在于，所述火情检测检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述火情检测检测设备执行权利要求1至7任一所述的火情检测方法。

技术总结
本申请公开了一种火情检测方法、装置及设备，所述方法包括：获取若干初始帧图像；采用第一检测模型对所述若干初始帧图像分别进行第一检测处理，生成第一检测处理后的若干初始帧图像的第一检测结果集；判断所述第一检测结果集是否满足第一预设条件；当所述第一检测结果集不满足第一预设条件时，输入所述第一检测结果集至第二检测模型进行第二检测处理，生成第二检测处理结果；根据所述第二检测处理结果，确定检测到火情。通过该方法，以便于能够精确检测到火情。检测到火情。检测到火情。


技术研发人员：罗马思阳 王利杰 万印康 刘杰 庞古月
受保护的技术使用者：苏州广目汽车科技有限公司
技术研发日：2023.05.25
技术公布日：2023/8/24