1.本发明涉及烟雾识别的
技术领域：
：，尤其涉及一种基于时空域双通道火灾视频烟雾识别方法。
背景技术：
：：2.现有基于传统物理传感器式的烟雾探测装置由于其成本低、安装简单而被广泛使用。只需要将其安装在固定位置，基本上就能满足对烟雾检测的标准要求。但是，这类探测装置也具有一定的局限性：一方面它们必须安装在火源附近，警报的触发需要足够的烟雾浓度或空气温度，这将大大影响烟雾探测的实时性。另一方面，由于探测器终年与灰尘和烟雾直接接触，恶劣的环境导致传感器极易发生故障，失去检测效果。因此，基于物理传感器式的烟雾检测方法很难满足当今工业流程和烟雾安全预警的要求，迫切需要一种更高性能、更高准确率的烟雾检测方法。3.基于传统图像处理的烟雾检测算法克服了物理传感器式方法的不足。首先，利用视频监控装置获取场景中的烟雾视频；然后通过人工设计算法提取视频图像中烟雾的色彩、纹理、形状等特征；最后训练烟雾分类器，从而识别烟雾并进行预警。appana等人将烟雾图像由rgb色彩空间转换为hsv色彩空间，并对其饱和度和亮度进行了阈值化处理，实现了烟雾区域的分割。peng等人通过提取图像中运动区域的最小外接矩形作为烟雾的形状特征，从而实现了烟雾检测。但是，此类方法需要花费大量的时间和精力在特征提取和特征选择上，增加了算法的复杂性。同时，由于烟雾多变的特点也导致该类检测算法有着很高的误报率。4.火灾初期的烟雾检测在火灾预警中起着重要的作用。近年来，基于卷积神经网络(cnn)的视频烟雾识别算法已被广泛提出并应用在工业的各个领域。但是，由于烟雾多变的特性，该类算法仍然面临着准确率低、鲁棒性差以及数据集不足等问题。5.与人工设计的特征提取算法相比，卷积神经网络可以自动学习烟雾图像中的基本信息以及更加复杂的像素信息，不仅降低了特征提取过程的复杂度，而且克服了烟雾多变的特性。gu等人利用深度双通道神经网络(dcnn)融合烟雾基本信息和详细信息进行烟雾分类，具有较好的烟雾识别率。zhang等人利用迁移学习提取烟雾广义特征，加快了网络训练时的收敛速度和识别速度。cao等人提出了一种特征前景模型来构建增强特征前景网络进行烟雾源的预测和检测，提高了网络对烟雾的学习能力。he等人结合了注意机制、特征级和决策级融合模块，实现了对小烟雾目标的识别能力。但是仅仅利用烟雾的静态特征已很难在准确率和误报率上再有突破。研究发现烟雾的扩散特征是烟雾识别中的关键特征，能够显著提高模型的准确性。因此如何有效提取烟雾中的运动特征成为了烟雾识别主要面临的问题。现有运动特征的提取方法主要分为两类：一类是基于传统图像处理的方法，另一类是利用3dcnn(卷积神经网络)的方法。传统图像处理的方法通过帧间差分法、背景差分法、光流法或vibe(visualbackgroundextractor：视觉背景提取器)算法计算得到运动物体的二值图像作为运动特征。liu等人引入了视觉变化图像的概念来描述烟雾的扩散特性，提出了一种结合深度归一化网络和支持向量机(svm)的两阶段烟雾检测算法，降低了云、雾等物体引起的误报率，但是视觉变化图像仍然需要人工设计复杂算法计算得到。gao等人利用mser(maximallystableextrernalregions，最大稳定极值区域)算法弥补了短距离情况下vibe算法产生的空白区域问题，生成了代表烟雾运动特征的更加完整的候选烟雾区域，提高了烟雾识别的准确率，降低漏检率，但是在相同硬件条件下算法成本增加了20倍。sheng等人提取图像中时域、频域和时频域的所有统计图像作为烟雾的静态特征和运动特征，并输入到深度置信网络进行烟雾识别，提高了复杂环境下烟雾检测的速度和准确率。以上算法流程复杂并且易受图像质量和复杂环境的干扰。例如，当场景中存在非烟雾运动物体时，往往提取到的运动特征中会包含其他运动物体的干扰，降低识别的准确性。而基于3dcnn的方法能够自动学习视频图像中的运动特征，无需利用先验知识设计算法对运动的干扰特征进行筛选，具有算法简单、易实现、受环境干扰小等优点。因此，3dcnn对于拥有扩散特征的烟雾识别任务具有与生俱来的优势。但是现有方法中采用3dcnn的文献还非常少，其方法的准确率也有待提升。6.即使很多学者不断优化网络模型，提高烟雾识别算法的准确性。但是基于cnn的烟雾识别算法仍然有很多不足：一方面，现有大量算法仅仅是cnn在烟雾图片识别中的简单应用，没有考虑烟雾的运动特性。即使少部分算法考虑到烟雾的扩散特点，但是仍然使用传统图像处理方式提取视频烟雾中的运动特征，算法复杂且丢失了烟雾图像中大量的高频细节信息。另一方面，现有方法大多基于传统深度学习模型，网络模型接近过时，无法进一步提升烟雾检测的准确率。而更加新颖、检测效果更加优秀的网络模型未得到广泛应用。同时，训练数据集场景单一也导致了烟雾识别模型泛化能力差、鲁棒性不高。技术实现要素：7.针对现有烟雾识别方法准确率低、鲁棒性差，不能满足烟雾多变特性的技术问题，本发明提出一种基于时空域双通道火灾视频烟雾识别方法，基于改进的3d卷积神经网络和残差注意力块(rab)分别提取烟雾的动态特征和静态特征，并进行融合，能够对烟雾进行实时有效地识别和预警。8.为了达到上述目的，本发明的技术方案是这样实现的：一种基于时空域双通道火灾视频烟雾识别方法，其步骤如下：9.步骤一：收集并制作含有云、雾干扰图像和视频的烟雾数据集；10.步骤二：搭建静态特征提取网络和动态特征提取网络，对静态特征提取网络和动态特征提取网络进行融合连接，构建视频烟雾识别网络模型；11.步骤三：利用步骤一中的烟雾数据集对步骤二构建的视频烟雾识别网络模型进行训练，得到优化后的视频烟雾识别网络模型；12.步骤四：利用优化后的视频烟雾识别网络模型对实时采集的烟雾视频进行处理，静态特征提取网络提取图像空间域上的静态特征，动态特征提取网络提取视频序列在时间域上的动态特征，并将静态特征和动态特征进行融合生成烟雾特征，对烟雾特征进行识别，判断是否存在烟雾，如果存在烟雾则进行报警。13.所述步骤一中的烟雾数据集包含森林、田野、室内、操场、工地、城市、公路场景下的烟雾图像或视频，烟雾数据集是包含多种正样本、负样本的图像和视频。14.所述视频烟雾识别网络模型包括并联连接的静态特征提取网络和动态特征提取网络，静态特征提取网络和动态特征提取网络均与融合组件相连接，融合组件与全连接单元相连接；所述融合组件采用自适应融合方法，利用神经网络的学习能力，为融合特征重新分配权值。15.所述融合组件包括特征融合单元，特征融合单元将静态特征提取网络提取的静态特征和动态特征提取网络提取的动态特征组合：采用3d全局平均池化得到一组1×(n k)的特征向量i，特征向量经过重组转化为的特征矩阵i，特征矩阵i通过卷积处理得到权值矩阵ii，将的特征矩阵ii转换为1×(n k)的权值向量ii；将权值向量ii和对应的静态特征和动态特征相乘得到融合后的特征，输入全连接单元的全连接层。16.所述视频烟雾识别网络模型的融合方法为17.其中，参数和经过反向传播自主学习得到，fst和fdy分别表示用于融合的静态特征和动态特征，为融合后的特征。18.所述静态特征提取网络是基于残差注意力模块搭建的；所述静态特征提取网络依次连接12个残差注意力模块，且每两个2个残差注意力模块后连接1个池化层；所示残差注意力块均采用3×3大小的卷积核，步长为1；池化层均采用大小为2×2的最大池化且步长为2；所述静态特征提取网络采用relu非线性非饱和激活函数。19.所述残差注意力块包括通道注意力单元、空间注意力单元和残差结构，输入特征图x经过主干分支中的卷积运算传送至通道注意力单元，然后经过通道注意力单元处理得到的特征图传送至空间注意力单元，空间注意力单元处理得到特征图特征图是重新分配权值后的特征图，特征图与跳跃分支中的输入特征图x相加得到输出特征图20.所述动态特征提取网络为权值3d卷积神经网络，且动态特征提取网络包括特征提取模块和注意力模块，特征提取模块包括至少两个依次连接的特征提取单元，每个特征提取单元包括依次连接的3d卷积层和池化层；特征提取模块处理后的特征图经过卷积运算分别得到特征图f＝{f1,f2,...,fk}和注意力图a＝{a1,a2,...,ak}，注意力图a＝{a1,a2,...,ak}中的特征ak作为权重和特征图f＝{f1,f2,...,fk}中的特征fk依次相乘，得到动态特征且[0021][0022]所述动态特征提取网络的特征提取模块包括5个特征提取单元，特征提取单元中的3d卷积层均采用大小为3×3×3的3d卷积核，步长stride为1×1×1，填充属性padding＝1；池化层ii为2×2×2的3d最大池化。[0023]与现有技术相比，本发明的有益效果：使用rab搭建静态特征提取网络用以增强图像中空间域的烟雾静态特征；并且针对烟雾的扩散特性，提出权值3d卷积神经网络(w-3dcnn)用于提取烟雾在时间域上的动态特征；同时，采用一种自适应特征融合方法来融合烟雾中的静态和动态特征，用于最终的烟雾识别。在实验阶段，将提出的识别模型在自定义数据集上进行评估，评估结果表明，本发明的准确率和误报率分别为98.87％和1.06％，为烟雾识别提供了一种现实可行并且具有更高准确率的方法。附图说明[0024]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0025]图1为本发明的流程示意图。[0026]图2为本发明静态特征提取网络的结构示意图。[0027]图3为本发明图2中残差注意力块的示意图。[0028]图4为本发明动态特征提取网络的结构示意图。[0029]图5为本发明视频烟雾识别网络模型的结构示意图。[0030]图6为本发明实验中的部分样本，其中，(a)为漏检样本，(b)为误检样本。具体实施方式[0031]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0032]如图1所示，一种基于时空域双通道火灾视频烟雾识别方法，其步骤如下：[0033]步骤一：收集并制作含有云、雾干扰图像的烟雾数据集。[0034]为了增强构建的烟雾识别网络模型的鲁棒性，收集并制作了包含森林、田野、室内、操场、工地、城市、公路等多场景下的烟雾数据集，用于网络模型的训练与测试。烟雾数据集中的图像或视频是含有云、雾干扰的，烟雾数据集包含多种正样本、负样本的图像数据和视频数据，解决了烟雾数据集不足的问题。正样本就是带有烟雾的图像，负样本就是不含烟雾的图像。[0035]步骤二：搭建静态特征提取网络和动态特征提取网络，对静态特征提取网络和动态特征提取网络进行融合连接，构建视频烟雾识别网络模型。[0036]视频烟雾识别网络模型是基于烟雾静态特征和动态特征的双通道网络，可以针对类烟雾干扰情况下的烟雾图像进行检测。静态特征提取网络是基于残差注意力块的，提高了网络的学习能力，解决了烟雾图像中高频信息和低频信息同等对待，导致网络无法充分发挥其性能的问题。[0037]静态特征提取网络用于提取更深层次的烟雾静态特征，提高烟雾识别的准确率。烟雾图像中的颜色、纹理、边缘等特征是有效进行烟雾识别的主要特征，为了提取更加显著的静态烟雾特征，本发明基于rab搭建了静态特征提取网络，如图2所示，静态特征提取网络依次连接12个残差注意力模块，且每两个2个残差注意力模块后连接1最大池化。最后一个残差注意力模块依次连接全连接层fc1和fc2。[0038]静态特征提取网络采用rab层与池化层堆叠而成，网络末端由全连接层汇总烟雾特征并用于分类。rab层一方面利用通道注意力寻找烟雾特征图中更加强大的通道表达，然后增强这些通道的表达能力；另一方面，空间注意力能够增强烟雾特征中更加有效的信息和抑制无效信息，让网络更加聚焦烟雾对象。池化层的引入可以有效地缩小烟雾特征图的尺寸，起到降维、去除冗余信息的作用。对原始的特征图进行重新分配权值实现，重新分配权值后的特征图就是含有注意力的特征图，这个过程就添加了空间注意力。并且当图像经过一系列刚性变换后，池化层保证了网络依旧可以提取到有效特征。当整体模型的输入图像发生变化时，模型仍能识别烟雾。例如：当输入是一张普通的烟雾图像模型能够识别图像中的烟雾，但是如果将该图像经过刚性变换，即翻转、旋转或者缩放，模型仍能识别。即模型的输入发生简单变换后不会影响模型结果。[0039]网络的输入为256×256像素的rgb图像，rab采用3×3大小的卷积核，当步长stride＝1时，rab层不改变输入图像的尺寸。池化层采用大小为2×2的全局最大池化。网络每经过一次步长为2的池化层时，图像大小将减小为原来的一半，所以步长为2的池化层后连接的rab的卷积核数量会增加为原来的二倍。经过池化后的特征图大小会变小，这意味着特征图中的信息会有所损失，为了弥补特征图变小带来的信息损失，后面接的rab的卷积核数量会增加，卷积核数量的增加会增加特征图的数量，用特征图数量的增加来弥补特征图大小减小带来的损失。神经网络在进行反向传播时，梯度每传递一层就会衰减一层直到几乎消失，使得训练网络收敛越来越慢。为了克服梯度消失和加快网络收敛速度，静态特征提取网络采用relu非线性非饱和激活函数。[0040]对于高分辨率图像，cnn的深度有着至关重要的作用，但过深的网络却难以训练。而低分辨率图像及特征中包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。残差注意力块(residualattentionblock，rab)将通道注意力、空间注意力、残差结构相结合，寻找烟雾特征图中更加强大的静态表征能力，增强烟雾特征中更加有效的信息和抑制无效信息，进一步提高了烟雾识别的准确率。[0041]残差注意力块(rab)用于提取烟雾更深层的像素特征。rab由多层注意力模块堆叠和多个跳跃连接构建而成，如图3所示，其中，channelattention表示空间注意力层，spatialattention表示通道注意力层，让模型更加关注图像中的烟雾图像，忽略一些不重要的区域。conv表示卷积运算，输入特征x经过卷积传送至空间注意力层得到特征特征通过通道注意力层得到特征通过输入特征x经过残差结构与特征相加得到输出特征fst(x)。每个rab分为两部分：跳跃分支(maskbranch)和主干分支(trunkbranch)。主干分支专注于学习图像中的高频信息，通过注意力模块的连续排列，提取特征细化后的特征图。而跳跃分支是实现残差块的主要方法，加快网络训练的同时允许丰富的低频信息通过多个跳跃连接直接进行传播。[0042]残差注意力块的计算方法为：[0043][0044]其中，表示重新分配权值后的特征图，重写分配权值的方法就是特征图和权值矩阵相乘，x表示网络前一层的输出特征，通过主干分支和跳跃分支传递到下一层。fst(x)表示残差注意力块的输出特征。[0045]烟雾的颜色、纹理、边缘等特征一方面抗干扰能力差，易与云、阴影、雾等类烟雾混淆，降低识别准确率；另一方面，烟雾从产生到扩散，其形状、颜色也随之不断变化，普通神经网络无法从时序上感知这种多样的变化。3d神经卷积网络(cnn)的输入为连续的视频序列，通过在视频的帧宽、帧高和帧数三个维度上滑动执行卷积运算，能够对视频中运动物体的相关信息进行有效提取，使得它们能够灵活地运用于各种复杂任务中。通过对误检和漏检样本进行分析，提出了基于3dcnn的烟雾动态特征提取网络。在该网络中，利用烟雾的运动特征提高了烟雾、云、雾等相似干扰目标的识别能力，解决了传统图像处理算法提取运动特征复杂度高、抗干扰能力弱的问题。[0046]为了进一步提高烟雾检测准确性和鲁棒性，采用3d神经卷积网络来提取烟雾扩散时的运动特征，从而将其与类烟雾特征进行区分；同时，在网络中加入注意力机制，为不同时期的烟雾特征学习相应的特征权值，目的是增加烟雾识别的泛化能力，识别不同时期的烟雾特征，尽早发现火情。动态特征提取网络的网络结构如图4所示。动态特征提取网络包括特征提取模块和注意力模块，特征提取模块包括5个依次连接的特征提取单元，每个特征提取单元包括3d卷积层和池化层。特征提取模块处理后的特征图经过卷积分别得到特征图和输入注意力模块，注意力模块将卷积后的特征图经过卷积操作处理为注意力图，注意力图和特征图中的特征依次相乘，得到特征映射，最后经过全连接层ii进行处理生成动态特征。[0047]动态特征提取网络由特征提取模块和注意力模块组成，网络末端采用全连接汇总烟雾的动态特征进行分类。将一段25×3×256×256的视频序列作为该网络的输入，网络在特征提取模块中均采用大小为3×3×3的3d卷积核，步长stride为1×1×1，填充属性padding＝1。池化层为2×2×2的3d最大池化。同样的，池化层将输入图像大小缩小为原来的一半时，卷积核数量增加为原来的2倍。[0048]动态特征提取网络分别提取特征图f＝{f1,f2,...,fk}和注意力图a＝{a1,a2,...,ak}，然后逐个将特征图fk与对应的注意力图ak相乘，生成最终的特征映射如公式(2)。目的是期望每张权值图一方面能够代表3d特征图各个通道的不同重要程度，另一方面能够增强每张3d特征图中感兴趣的目标区域。[0049][0050]动态特征提取网络在3d卷积中加入3d注意力连接，得到权值3d卷积神经网络(w-3dcnn)，用于更加充分、高效的提取视频图像中相邻帧之间的烟雾运动信息，利用w-3dcnn提取视频图像中相邻帧之间的烟雾运动信息，能够更加有效的消除云、雾、阴影等类烟雾因素的干扰，降低误报率。[0051]常用的特征融合方式有concat融合、add融合、max融合，add融合和max融合以特征图尺度相同为前提，大大地限制了神经网络输出特征图的灵活性。而concat融合仅仅将特征图进行简单的拼接，忽略了特征图之间的关联性。这也就导致了特征融合在一些场景下的效果不尽如意。为解决上述问题，本发明提出一种自适应融合方法。利用神经网络的学习能力，为特征图重新分配权值，这样由模型学习决定更重要的特征图，不仅减少了人工的干预，而且不要求融合的特征图具有相同的分辨率，增加了网络的灵活性。首先分别去除静态特征提取网络和动态特征提取网络的全连接层，然后将其提取的特征输入到融合组件执行特征融合，网络的整体结构如图5所示。[0052]融合组件对n组静态特征图和k组动态特征分别执行3d全局平均池化得到1×(k n)的实数矩阵。为了降低网络中的参数数量，采用卷积网络来获得相应的权值矩阵。其中reshape表示将1×(k n)的实数矩阵转换为的特征矩阵，unreshape表示将的特征矩阵转换为1×(k n)权值矩阵。最终使用融合后的特征输入到末端全连接层进行烟雾识别，融合过程为：[0053][0054]其中，参数和由网络经过反向传播自主学习得到，fst和fdy分别表示用于融合的静态特征和动态特征，为融合后的特征。[0055]自适应特征融合方法通过网络自动选择的方式，将烟雾图像的静态特征与烟雾视频中的动态特征进行融合，生成用于烟雾识别的特征，具有更高的灵活性。[0056]步骤三：通过步骤一中的烟雾数据集对步骤二构建的视频烟雾识别网络模型进行训练，得到优化后的视频烟雾识别网络模型。[0057]具体训练的方法为梯度下降法，实现训练参数的更新。[0058]步骤四：利用优化后的视频烟雾识别网络模型对实时采集的烟雾视频中的图像进行处理，静态特征提取网络提取空间域上的静态特征，动态特征提取网络提取时间域上的动态特征，并将静态特征和动态特征进行融合生成烟雾特征，对烟雾特征进行识别，判断是否存在烟雾，如果存在烟雾进行报警。[0059]自适应特征融合方法将烟雾图像的静态特征与烟雾视频中的动态特征进行融合，生成用于烟雾识别的汇总特征。[0060]由于融合后的特征图是一个多维矩阵，全连接层的输入为一个1维向量，常用的做法是将多维矩阵拉伸为一个向量作为全连接层的输入。全连接层会输出一个一个含有两个元素的向量[y1,y2]，y1,y2分别是0到1的小数，分别代表有烟无烟的概率，例如y1代表有烟的概率，y2代表无烟的概率。如果y1大于y2([0.8,0.2])，代表识别结果为有烟，如果y2大于y1([0.3,0.7])，代表识别结果为无烟。烟雾类型：结果结果只有两种，有烟或者无烟。[0061]为验证本发明所提出的rab模型的有效性，将静态特征提取网络在数据集set1上进行训练和测试。set1是数据集中的图像，后面的set2是数据集中的视频。为了进一步比较，实验选取了九种主流且先进的网络模型与静态特征提取网络进行对比实验。具体包括：alexnet、zf-net、googlenet、vgg16、resnet、densenet、se-net、squeezenet、mobilenet。本实验的10种模型均在数据集set1上进行训练和测试，具体的实验结果如表1所示。由表1可知，rab模型在所有评估指标中取得了优异的成绩。[0062]表1不同烟雾图像识别算法比较[0063][0064]由实验数据发现，带有rab模块的静态特征提取网络取得了最高96.61％的准确率和95.69％召回率以及最低4.45％的误报率。相较于排名第二的se-net结构，准确率高了1.46％，召回率高了0.84％，误报率低了2.0％，表明了rab模块对烟雾图像更加敏感，系统对烟雾报警时拥有更高的可信度。[0065]通过对rab模块进行多次的训练和测试，并对每次实验结果中误检和漏检样本进行分析发现：漏检和误检样本中，68％～75％为云、雾以及纯色背景的干扰样本，如图6所示。因此，为了进一步降低误报率，提高烟雾识别的准确性和鲁棒性，采用w-3dcnn对烟雾的动态特征进行提取，利用融合后的特征进行烟雾识别并通过实验数据验证整体方法的有效性。[0066]为了验证本发明提出的视频烟雾识别网络的整体性能，利用数据集set2将本发明的优化融合烟雾识别网络模型和表现较好的vgg16、resnet、densenet、se-net、方法[1]-文献real-timevideo-basedsmokedetectionwithhighaccuracyandefficiency、方法[2]-文献visualsmokedetectionbasedonensembledeepcnns进行总体的对比实验，实验结果如表2所示。[0067]表2本发明与主流网络的综合对比[0068][0069]从表2数据可以看出，vggnet的准确率(acc)、召回率(recall)最低，误报率(far)最高；resnet和se-net表现优于vggnet，但是劣于其他方法，这也表明基于深度学习的通用识别模型无法在复杂任务(如视频烟雾识别)中表现出优秀的性能。方法[1]、[2]利用传统手工算法提取烟雾运动特征，虽能够有效提取烟雾中的低频信息，但忽略了部分高频信息，因此并未表现出最优的性能。本发明提出的基于3d卷积和残差注意力网络不仅能够更好地提取烟雾中更强表征能力的静态信息，而且通过改进的3dcnn能够同时提取烟雾运动特征中的高频信息和低频信息，并为其重新分配权重，能够有效降低类烟雾目标的干扰，其准确率为98.73％、召回率为98.24％，均达到最高水平；误报率降到了最低的1.06％。相较于表2中的静态特征提取网络的表现，加入w-3dcnn网络后，准确率提高了2.12％，召回率提高了2.55％，而误报率下降了3.39％。同时，经过多次实验，本发明在检测速率上平均可达到48帧/秒，可满足常见监控视频25～30帧/秒的实时性检测。[0070]综上，本发明提出的方法在三项指标明显领先于其他方法，能够对烟雾进行实时有效地识别和预警。通过大量的实验和比较，验证了本发明的方法比现有方法具有更高的检测准确率(98.73％)、召回率(98.24％)以及更低的误报率(1.06％)。[0071]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12
技术领域：
：，尤其涉及一种基于时空域双通道火灾视频烟雾识别方法。
背景技术：
：：2.现有基于传统物理传感器式的烟雾探测装置由于其成本低、安装简单而被广泛使用。只需要将其安装在固定位置，基本上就能满足对烟雾检测的标准要求。但是，这类探测装置也具有一定的局限性：一方面它们必须安装在火源附近，警报的触发需要足够的烟雾浓度或空气温度，这将大大影响烟雾探测的实时性。另一方面，由于探测器终年与灰尘和烟雾直接接触，恶劣的环境导致传感器极易发生故障，失去检测效果。因此，基于物理传感器式的烟雾检测方法很难满足当今工业流程和烟雾安全预警的要求，迫切需要一种更高性能、更高准确率的烟雾检测方法。3.基于传统图像处理的烟雾检测算法克服了物理传感器式方法的不足。首先，利用视频监控装置获取场景中的烟雾视频；然后通过人工设计算法提取视频图像中烟雾的色彩、纹理、形状等特征；最后训练烟雾分类器，从而识别烟雾并进行预警。appana等人将烟雾图像由rgb色彩空间转换为hsv色彩空间，并对其饱和度和亮度进行了阈值化处理，实现了烟雾区域的分割。peng等人通过提取图像中运动区域的最小外接矩形作为烟雾的形状特征，从而实现了烟雾检测。但是，此类方法需要花费大量的时间和精力在特征提取和特征选择上，增加了算法的复杂性。同时，由于烟雾多变的特点也导致该类检测算法有着很高的误报率。4.火灾初期的烟雾检测在火灾预警中起着重要的作用。近年来，基于卷积神经网络(cnn)的视频烟雾识别算法已被广泛提出并应用在工业的各个领域。但是，由于烟雾多变的特性，该类算法仍然面临着准确率低、鲁棒性差以及数据集不足等问题。5.与人工设计的特征提取算法相比，卷积神经网络可以自动学习烟雾图像中的基本信息以及更加复杂的像素信息，不仅降低了特征提取过程的复杂度，而且克服了烟雾多变的特性。gu等人利用深度双通道神经网络(dcnn)融合烟雾基本信息和详细信息进行烟雾分类，具有较好的烟雾识别率。zhang等人利用迁移学习提取烟雾广义特征，加快了网络训练时的收敛速度和识别速度。cao等人提出了一种特征前景模型来构建增强特征前景网络进行烟雾源的预测和检测，提高了网络对烟雾的学习能力。he等人结合了注意机制、特征级和决策级融合模块，实现了对小烟雾目标的识别能力。但是仅仅利用烟雾的静态特征已很难在准确率和误报率上再有突破。研究发现烟雾的扩散特征是烟雾识别中的关键特征，能够显著提高模型的准确性。因此如何有效提取烟雾中的运动特征成为了烟雾识别主要面临的问题。现有运动特征的提取方法主要分为两类：一类是基于传统图像处理的方法，另一类是利用3dcnn(卷积神经网络)的方法。传统图像处理的方法通过帧间差分法、背景差分法、光流法或vibe(visualbackgroundextractor：视觉背景提取器)算法计算得到运动物体的二值图像作为运动特征。liu等人引入了视觉变化图像的概念来描述烟雾的扩散特性，提出了一种结合深度归一化网络和支持向量机(svm)的两阶段烟雾检测算法，降低了云、雾等物体引起的误报率，但是视觉变化图像仍然需要人工设计复杂算法计算得到。gao等人利用mser(maximallystableextrernalregions，最大稳定极值区域)算法弥补了短距离情况下vibe算法产生的空白区域问题，生成了代表烟雾运动特征的更加完整的候选烟雾区域，提高了烟雾识别的准确率，降低漏检率，但是在相同硬件条件下算法成本增加了20倍。sheng等人提取图像中时域、频域和时频域的所有统计图像作为烟雾的静态特征和运动特征，并输入到深度置信网络进行烟雾识别，提高了复杂环境下烟雾检测的速度和准确率。以上算法流程复杂并且易受图像质量和复杂环境的干扰。例如，当场景中存在非烟雾运动物体时，往往提取到的运动特征中会包含其他运动物体的干扰，降低识别的准确性。而基于3dcnn的方法能够自动学习视频图像中的运动特征，无需利用先验知识设计算法对运动的干扰特征进行筛选，具有算法简单、易实现、受环境干扰小等优点。因此，3dcnn对于拥有扩散特征的烟雾识别任务具有与生俱来的优势。但是现有方法中采用3dcnn的文献还非常少，其方法的准确率也有待提升。6.即使很多学者不断优化网络模型，提高烟雾识别算法的准确性。但是基于cnn的烟雾识别算法仍然有很多不足：一方面，现有大量算法仅仅是cnn在烟雾图片识别中的简单应用，没有考虑烟雾的运动特性。即使少部分算法考虑到烟雾的扩散特点，但是仍然使用传统图像处理方式提取视频烟雾中的运动特征，算法复杂且丢失了烟雾图像中大量的高频细节信息。另一方面，现有方法大多基于传统深度学习模型，网络模型接近过时，无法进一步提升烟雾检测的准确率。而更加新颖、检测效果更加优秀的网络模型未得到广泛应用。同时，训练数据集场景单一也导致了烟雾识别模型泛化能力差、鲁棒性不高。技术实现要素：7.针对现有烟雾识别方法准确率低、鲁棒性差，不能满足烟雾多变特性的技术问题，本发明提出一种基于时空域双通道火灾视频烟雾识别方法，基于改进的3d卷积神经网络和残差注意力块(rab)分别提取烟雾的动态特征和静态特征，并进行融合，能够对烟雾进行实时有效地识别和预警。8.为了达到上述目的，本发明的技术方案是这样实现的：一种基于时空域双通道火灾视频烟雾识别方法，其步骤如下：9.步骤一：收集并制作含有云、雾干扰图像和视频的烟雾数据集；10.步骤二：搭建静态特征提取网络和动态特征提取网络，对静态特征提取网络和动态特征提取网络进行融合连接，构建视频烟雾识别网络模型；11.步骤三：利用步骤一中的烟雾数据集对步骤二构建的视频烟雾识别网络模型进行训练，得到优化后的视频烟雾识别网络模型；12.步骤四：利用优化后的视频烟雾识别网络模型对实时采集的烟雾视频进行处理，静态特征提取网络提取图像空间域上的静态特征，动态特征提取网络提取视频序列在时间域上的动态特征，并将静态特征和动态特征进行融合生成烟雾特征，对烟雾特征进行识别，判断是否存在烟雾，如果存在烟雾则进行报警。13.所述步骤一中的烟雾数据集包含森林、田野、室内、操场、工地、城市、公路场景下的烟雾图像或视频，烟雾数据集是包含多种正样本、负样本的图像和视频。14.所述视频烟雾识别网络模型包括并联连接的静态特征提取网络和动态特征提取网络，静态特征提取网络和动态特征提取网络均与融合组件相连接，融合组件与全连接单元相连接；所述融合组件采用自适应融合方法，利用神经网络的学习能力，为融合特征重新分配权值。15.所述融合组件包括特征融合单元，特征融合单元将静态特征提取网络提取的静态特征和动态特征提取网络提取的动态特征组合：采用3d全局平均池化得到一组1×(n k)的特征向量i，特征向量经过重组转化为的特征矩阵i，特征矩阵i通过卷积处理得到权值矩阵ii，将的特征矩阵ii转换为1×(n k)的权值向量ii；将权值向量ii和对应的静态特征和动态特征相乘得到融合后的特征，输入全连接单元的全连接层。16.所述视频烟雾识别网络模型的融合方法为17.其中，参数和经过反向传播自主学习得到，fst和fdy分别表示用于融合的静态特征和动态特征，为融合后的特征。18.所述静态特征提取网络是基于残差注意力模块搭建的；所述静态特征提取网络依次连接12个残差注意力模块，且每两个2个残差注意力模块后连接1个池化层；所示残差注意力块均采用3×3大小的卷积核，步长为1；池化层均采用大小为2×2的最大池化且步长为2；所述静态特征提取网络采用relu非线性非饱和激活函数。19.所述残差注意力块包括通道注意力单元、空间注意力单元和残差结构，输入特征图x经过主干分支中的卷积运算传送至通道注意力单元，然后经过通道注意力单元处理得到的特征图传送至空间注意力单元，空间注意力单元处理得到特征图特征图是重新分配权值后的特征图，特征图与跳跃分支中的输入特征图x相加得到输出特征图20.所述动态特征提取网络为权值3d卷积神经网络，且动态特征提取网络包括特征提取模块和注意力模块，特征提取模块包括至少两个依次连接的特征提取单元，每个特征提取单元包括依次连接的3d卷积层和池化层；特征提取模块处理后的特征图经过卷积运算分别得到特征图f＝{f1,f2,...,fk}和注意力图a＝{a1,a2,...,ak}，注意力图a＝{a1,a2,...,ak}中的特征ak作为权重和特征图f＝{f1,f2,...,fk}中的特征fk依次相乘，得到动态特征且[0021][0022]所述动态特征提取网络的特征提取模块包括5个特征提取单元，特征提取单元中的3d卷积层均采用大小为3×3×3的3d卷积核，步长stride为1×1×1，填充属性padding＝1；池化层ii为2×2×2的3d最大池化。[0023]与现有技术相比，本发明的有益效果：使用rab搭建静态特征提取网络用以增强图像中空间域的烟雾静态特征；并且针对烟雾的扩散特性，提出权值3d卷积神经网络(w-3dcnn)用于提取烟雾在时间域上的动态特征；同时，采用一种自适应特征融合方法来融合烟雾中的静态和动态特征，用于最终的烟雾识别。在实验阶段，将提出的识别模型在自定义数据集上进行评估，评估结果表明，本发明的准确率和误报率分别为98.87％和1.06％，为烟雾识别提供了一种现实可行并且具有更高准确率的方法。附图说明[0024]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0025]图1为本发明的流程示意图。[0026]图2为本发明静态特征提取网络的结构示意图。[0027]图3为本发明图2中残差注意力块的示意图。[0028]图4为本发明动态特征提取网络的结构示意图。[0029]图5为本发明视频烟雾识别网络模型的结构示意图。[0030]图6为本发明实验中的部分样本，其中，(a)为漏检样本，(b)为误检样本。具体实施方式[0031]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0032]如图1所示，一种基于时空域双通道火灾视频烟雾识别方法，其步骤如下：[0033]步骤一：收集并制作含有云、雾干扰图像的烟雾数据集。[0034]为了增强构建的烟雾识别网络模型的鲁棒性，收集并制作了包含森林、田野、室内、操场、工地、城市、公路等多场景下的烟雾数据集，用于网络模型的训练与测试。烟雾数据集中的图像或视频是含有云、雾干扰的，烟雾数据集包含多种正样本、负样本的图像数据和视频数据，解决了烟雾数据集不足的问题。正样本就是带有烟雾的图像，负样本就是不含烟雾的图像。[0035]步骤二：搭建静态特征提取网络和动态特征提取网络，对静态特征提取网络和动态特征提取网络进行融合连接，构建视频烟雾识别网络模型。[0036]视频烟雾识别网络模型是基于烟雾静态特征和动态特征的双通道网络，可以针对类烟雾干扰情况下的烟雾图像进行检测。静态特征提取网络是基于残差注意力块的，提高了网络的学习能力，解决了烟雾图像中高频信息和低频信息同等对待，导致网络无法充分发挥其性能的问题。[0037]静态特征提取网络用于提取更深层次的烟雾静态特征，提高烟雾识别的准确率。烟雾图像中的颜色、纹理、边缘等特征是有效进行烟雾识别的主要特征，为了提取更加显著的静态烟雾特征，本发明基于rab搭建了静态特征提取网络，如图2所示，静态特征提取网络依次连接12个残差注意力模块，且每两个2个残差注意力模块后连接1最大池化。最后一个残差注意力模块依次连接全连接层fc1和fc2。[0038]静态特征提取网络采用rab层与池化层堆叠而成，网络末端由全连接层汇总烟雾特征并用于分类。rab层一方面利用通道注意力寻找烟雾特征图中更加强大的通道表达，然后增强这些通道的表达能力；另一方面，空间注意力能够增强烟雾特征中更加有效的信息和抑制无效信息，让网络更加聚焦烟雾对象。池化层的引入可以有效地缩小烟雾特征图的尺寸，起到降维、去除冗余信息的作用。对原始的特征图进行重新分配权值实现，重新分配权值后的特征图就是含有注意力的特征图，这个过程就添加了空间注意力。并且当图像经过一系列刚性变换后，池化层保证了网络依旧可以提取到有效特征。当整体模型的输入图像发生变化时，模型仍能识别烟雾。例如：当输入是一张普通的烟雾图像模型能够识别图像中的烟雾，但是如果将该图像经过刚性变换，即翻转、旋转或者缩放，模型仍能识别。即模型的输入发生简单变换后不会影响模型结果。[0039]网络的输入为256×256像素的rgb图像，rab采用3×3大小的卷积核，当步长stride＝1时，rab层不改变输入图像的尺寸。池化层采用大小为2×2的全局最大池化。网络每经过一次步长为2的池化层时，图像大小将减小为原来的一半，所以步长为2的池化层后连接的rab的卷积核数量会增加为原来的二倍。经过池化后的特征图大小会变小，这意味着特征图中的信息会有所损失，为了弥补特征图变小带来的信息损失，后面接的rab的卷积核数量会增加，卷积核数量的增加会增加特征图的数量，用特征图数量的增加来弥补特征图大小减小带来的损失。神经网络在进行反向传播时，梯度每传递一层就会衰减一层直到几乎消失，使得训练网络收敛越来越慢。为了克服梯度消失和加快网络收敛速度，静态特征提取网络采用relu非线性非饱和激活函数。[0040]对于高分辨率图像，cnn的深度有着至关重要的作用，但过深的网络却难以训练。而低分辨率图像及特征中包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。残差注意力块(residualattentionblock，rab)将通道注意力、空间注意力、残差结构相结合，寻找烟雾特征图中更加强大的静态表征能力，增强烟雾特征中更加有效的信息和抑制无效信息，进一步提高了烟雾识别的准确率。[0041]残差注意力块(rab)用于提取烟雾更深层的像素特征。rab由多层注意力模块堆叠和多个跳跃连接构建而成，如图3所示，其中，channelattention表示空间注意力层，spatialattention表示通道注意力层，让模型更加关注图像中的烟雾图像，忽略一些不重要的区域。conv表示卷积运算，输入特征x经过卷积传送至空间注意力层得到特征特征通过通道注意力层得到特征通过输入特征x经过残差结构与特征相加得到输出特征fst(x)。每个rab分为两部分：跳跃分支(maskbranch)和主干分支(trunkbranch)。主干分支专注于学习图像中的高频信息，通过注意力模块的连续排列，提取特征细化后的特征图。而跳跃分支是实现残差块的主要方法，加快网络训练的同时允许丰富的低频信息通过多个跳跃连接直接进行传播。[0042]残差注意力块的计算方法为：[0043][0044]其中，表示重新分配权值后的特征图，重写分配权值的方法就是特征图和权值矩阵相乘，x表示网络前一层的输出特征，通过主干分支和跳跃分支传递到下一层。fst(x)表示残差注意力块的输出特征。[0045]烟雾的颜色、纹理、边缘等特征一方面抗干扰能力差，易与云、阴影、雾等类烟雾混淆，降低识别准确率；另一方面，烟雾从产生到扩散，其形状、颜色也随之不断变化，普通神经网络无法从时序上感知这种多样的变化。3d神经卷积网络(cnn)的输入为连续的视频序列，通过在视频的帧宽、帧高和帧数三个维度上滑动执行卷积运算，能够对视频中运动物体的相关信息进行有效提取，使得它们能够灵活地运用于各种复杂任务中。通过对误检和漏检样本进行分析，提出了基于3dcnn的烟雾动态特征提取网络。在该网络中，利用烟雾的运动特征提高了烟雾、云、雾等相似干扰目标的识别能力，解决了传统图像处理算法提取运动特征复杂度高、抗干扰能力弱的问题。[0046]为了进一步提高烟雾检测准确性和鲁棒性，采用3d神经卷积网络来提取烟雾扩散时的运动特征，从而将其与类烟雾特征进行区分；同时，在网络中加入注意力机制，为不同时期的烟雾特征学习相应的特征权值，目的是增加烟雾识别的泛化能力，识别不同时期的烟雾特征，尽早发现火情。动态特征提取网络的网络结构如图4所示。动态特征提取网络包括特征提取模块和注意力模块，特征提取模块包括5个依次连接的特征提取单元，每个特征提取单元包括3d卷积层和池化层。特征提取模块处理后的特征图经过卷积分别得到特征图和输入注意力模块，注意力模块将卷积后的特征图经过卷积操作处理为注意力图，注意力图和特征图中的特征依次相乘，得到特征映射，最后经过全连接层ii进行处理生成动态特征。[0047]动态特征提取网络由特征提取模块和注意力模块组成，网络末端采用全连接汇总烟雾的动态特征进行分类。将一段25×3×256×256的视频序列作为该网络的输入，网络在特征提取模块中均采用大小为3×3×3的3d卷积核，步长stride为1×1×1，填充属性padding＝1。池化层为2×2×2的3d最大池化。同样的，池化层将输入图像大小缩小为原来的一半时，卷积核数量增加为原来的2倍。[0048]动态特征提取网络分别提取特征图f＝{f1,f2,...,fk}和注意力图a＝{a1,a2,...,ak}，然后逐个将特征图fk与对应的注意力图ak相乘，生成最终的特征映射如公式(2)。目的是期望每张权值图一方面能够代表3d特征图各个通道的不同重要程度，另一方面能够增强每张3d特征图中感兴趣的目标区域。[0049][0050]动态特征提取网络在3d卷积中加入3d注意力连接，得到权值3d卷积神经网络(w-3dcnn)，用于更加充分、高效的提取视频图像中相邻帧之间的烟雾运动信息，利用w-3dcnn提取视频图像中相邻帧之间的烟雾运动信息，能够更加有效的消除云、雾、阴影等类烟雾因素的干扰，降低误报率。[0051]常用的特征融合方式有concat融合、add融合、max融合，add融合和max融合以特征图尺度相同为前提，大大地限制了神经网络输出特征图的灵活性。而concat融合仅仅将特征图进行简单的拼接，忽略了特征图之间的关联性。这也就导致了特征融合在一些场景下的效果不尽如意。为解决上述问题，本发明提出一种自适应融合方法。利用神经网络的学习能力，为特征图重新分配权值，这样由模型学习决定更重要的特征图，不仅减少了人工的干预，而且不要求融合的特征图具有相同的分辨率，增加了网络的灵活性。首先分别去除静态特征提取网络和动态特征提取网络的全连接层，然后将其提取的特征输入到融合组件执行特征融合，网络的整体结构如图5所示。[0052]融合组件对n组静态特征图和k组动态特征分别执行3d全局平均池化得到1×(k n)的实数矩阵。为了降低网络中的参数数量，采用卷积网络来获得相应的权值矩阵。其中reshape表示将1×(k n)的实数矩阵转换为的特征矩阵，unreshape表示将的特征矩阵转换为1×(k n)权值矩阵。最终使用融合后的特征输入到末端全连接层进行烟雾识别，融合过程为：[0053][0054]其中，参数和由网络经过反向传播自主学习得到，fst和fdy分别表示用于融合的静态特征和动态特征，为融合后的特征。[0055]自适应特征融合方法通过网络自动选择的方式，将烟雾图像的静态特征与烟雾视频中的动态特征进行融合，生成用于烟雾识别的特征，具有更高的灵活性。[0056]步骤三：通过步骤一中的烟雾数据集对步骤二构建的视频烟雾识别网络模型进行训练，得到优化后的视频烟雾识别网络模型。[0057]具体训练的方法为梯度下降法，实现训练参数的更新。[0058]步骤四：利用优化后的视频烟雾识别网络模型对实时采集的烟雾视频中的图像进行处理，静态特征提取网络提取空间域上的静态特征，动态特征提取网络提取时间域上的动态特征，并将静态特征和动态特征进行融合生成烟雾特征，对烟雾特征进行识别，判断是否存在烟雾，如果存在烟雾进行报警。[0059]自适应特征融合方法将烟雾图像的静态特征与烟雾视频中的动态特征进行融合，生成用于烟雾识别的汇总特征。[0060]由于融合后的特征图是一个多维矩阵，全连接层的输入为一个1维向量，常用的做法是将多维矩阵拉伸为一个向量作为全连接层的输入。全连接层会输出一个一个含有两个元素的向量[y1,y2]，y1,y2分别是0到1的小数，分别代表有烟无烟的概率，例如y1代表有烟的概率，y2代表无烟的概率。如果y1大于y2([0.8,0.2])，代表识别结果为有烟，如果y2大于y1([0.3,0.7])，代表识别结果为无烟。烟雾类型：结果结果只有两种，有烟或者无烟。[0061]为验证本发明所提出的rab模型的有效性，将静态特征提取网络在数据集set1上进行训练和测试。set1是数据集中的图像，后面的set2是数据集中的视频。为了进一步比较，实验选取了九种主流且先进的网络模型与静态特征提取网络进行对比实验。具体包括：alexnet、zf-net、googlenet、vgg16、resnet、densenet、se-net、squeezenet、mobilenet。本实验的10种模型均在数据集set1上进行训练和测试，具体的实验结果如表1所示。由表1可知，rab模型在所有评估指标中取得了优异的成绩。[0062]表1不同烟雾图像识别算法比较[0063][0064]由实验数据发现，带有rab模块的静态特征提取网络取得了最高96.61％的准确率和95.69％召回率以及最低4.45％的误报率。相较于排名第二的se-net结构，准确率高了1.46％，召回率高了0.84％，误报率低了2.0％，表明了rab模块对烟雾图像更加敏感，系统对烟雾报警时拥有更高的可信度。[0065]通过对rab模块进行多次的训练和测试，并对每次实验结果中误检和漏检样本进行分析发现：漏检和误检样本中，68％～75％为云、雾以及纯色背景的干扰样本，如图6所示。因此，为了进一步降低误报率，提高烟雾识别的准确性和鲁棒性，采用w-3dcnn对烟雾的动态特征进行提取，利用融合后的特征进行烟雾识别并通过实验数据验证整体方法的有效性。[0066]为了验证本发明提出的视频烟雾识别网络的整体性能，利用数据集set2将本发明的优化融合烟雾识别网络模型和表现较好的vgg16、resnet、densenet、se-net、方法[1]-文献real-timevideo-basedsmokedetectionwithhighaccuracyandefficiency、方法[2]-文献visualsmokedetectionbasedonensembledeepcnns进行总体的对比实验，实验结果如表2所示。[0067]表2本发明与主流网络的综合对比[0068][0069]从表2数据可以看出，vggnet的准确率(acc)、召回率(recall)最低，误报率(far)最高；resnet和se-net表现优于vggnet，但是劣于其他方法，这也表明基于深度学习的通用识别模型无法在复杂任务(如视频烟雾识别)中表现出优秀的性能。方法[1]、[2]利用传统手工算法提取烟雾运动特征，虽能够有效提取烟雾中的低频信息，但忽略了部分高频信息，因此并未表现出最优的性能。本发明提出的基于3d卷积和残差注意力网络不仅能够更好地提取烟雾中更强表征能力的静态信息，而且通过改进的3dcnn能够同时提取烟雾运动特征中的高频信息和低频信息，并为其重新分配权重，能够有效降低类烟雾目标的干扰，其准确率为98.73％、召回率为98.24％，均达到最高水平；误报率降到了最低的1.06％。相较于表2中的静态特征提取网络的表现，加入w-3dcnn网络后，准确率提高了2.12％，召回率提高了2.55％，而误报率下降了3.39％。同时，经过多次实验，本发明在检测速率上平均可达到48帧/秒，可满足常见监控视频25～30帧/秒的实时性检测。[0070]综上，本发明提出的方法在三项指标明显领先于其他方法，能够对烟雾进行实时有效地识别和预警。通过大量的实验和比较，验证了本发明的方法比现有方法具有更高的检测准确率(98.73％)、召回率(98.24％)以及更低的误报率(1.06％)。[0071]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
