一种火焰报警方法、装置、设备及存储介质与流程

1.本发明涉及火焰检测报警技术领域，特别是涉及一种通过多帧图片进行联合判断，确认火焰发生的时间及发生的位置的火焰报警方法、装置、设备及存储介质。


背景技术：

2.近年来，火灾引起的工厂安全事故数不胜数，由于工厂具有面积大，设备多，人员分布分散等特点，火灾发生时无法及时发现，导致了严重的后果，轻则工厂被烧毁，对公司工厂造成损失，重则造成人员伤亡，这些损失都是无法估量的，工厂管理者在做好日常防火教育和以及员工培训上做到尽善尽美外，还需要在火灾报警上面下功夫，目前随着人工智能深度学习图像检测技术的发展，利用监控视频采集实时图像，然后利用目标检测，语义分割等技术对火焰进行实时检测，使得工厂下的实时火焰报警系统得以实现。该方案的实现是利用深度学习图像检测技术，结合工厂监控系统将安全检测方案部署到工厂企业中的一个有效案例，同时，也是推动工业4.0发展的一个助力。
3.利用图像视频检测进行工厂火焰检测的方案在高清摄像机普及到各个工厂中时，就已经开始流行，但是这些方案都有着各自的劣势，首先出现的方案是利用传统的方案是通过传统的目标检测算法无论是利用cascade级联分类器配合hog特征进行目标检测，或dpm方法配合haar特征提取，亦或是利用svm方案来进行目标检测，对于火焰检测的准确率只有百分之60上下，显然这样的准确率无法满足工厂超高精度的需求，随着人工智能在图像检测领域的发展，出现了利用ssd，faster-rcnn等目标检测器来进行火焰检测的方案，这种方案在检测准确率上较传统的图像检测方案有一定的提升，但是在检测的实时性和准确性上仍然没有达到一个较为优秀的水平，在利用图像检测技术之前，还出现了利用温度传感器，火焰烟雾探测器等方案来进行配合图像检测方案进行火焰识别，但由于工厂厂区大或室外不易安装等因素，导致这种方案实施较为困难，同时不具备较好的泛化能力。


技术实现要素：

4.鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种火焰报警方法、装置、设备及存储介质。可以利用深度学习图像算法中的目标检测、语义分割方法的人体解析技术来实现的工厂厂区内实时火焰检测并完成分阶段报警。
5.本发明提供了如下方案：
6.一种火焰报警方法，包括：
7.利用训练后的目标检测网络对目标视频流中的目标图片进行火焰检测获得火焰检测框；所述目标视频流包括通过图像摄取设备获取到的目标区域的视频流；
8.确定目标火焰检测框中存在火焰则触发第一级别报警信息；
9.利用训练后的火焰语义分割网络对所述火焰检测框中的火焰进行语义分割处理获得语义分割结果；
10.确定所述语义分割结果包括火焰则触发第二级别报警信息；
11.确定所述目标图片触发所述第一级别报警信息以及所述第二级别报警信息后，采用连续帧判断算法确定所述目标视频流中位于所述目标图片之后的目标数量的图片均触发所述第一级别报警信息以及所述第二级别报警信息则生成第三级别报警信息；
12.根据所述第三级别报警信息触发所述目标区域的声光报警器发出警告。
13.优选地：采用流转换工具将所述视频流按每隔15帧提取一次的方式获取所述目标图片。
14.优选地：对由所述视频流中获取到的图片进行静帧、黑场、花屏检测，将检测无误后的图片作为所述目标图片。
15.优选地：所述目标检测网络包括yolov7目标检测框架。
16.优选地：所述火焰语义分割网络包括deeplabv3+网络。
17.优选地：所述目标数量为根据检测的所述目标视频流中位于所述目标图片之后的若干连续帧图片的检测数量所确定。
18.优选地：所述目标数量不少于所述检测数量的三分之二。
19.一种火焰报警装置，所述装置包括：
20.火焰检测框获取单元，用于利用训练后的目标检测网络对目标视频流中的目标图片进行火焰检测获得火焰检测框；所述目标视频流包括通过图像摄取设备获取到的目标区域的视频流；
21.第一级别报警信息确定单元，用于确定目标火焰检测框中存在火焰则触发第一级别报警信息；
22.火焰语义分割处理单元，用于利用训练后的火焰语义分割网络对所述火焰检测框中的火焰进行语义分割处理获得语义分割结果；
23.第二级别报警信息确定单元，用于确定所述语义分割结果包括火焰则触发第二级别报警信息；
24.第三级别报警信息确定单元，用于确定所述目标图片触发所述第一级别报警信息以及所述第二级别报警信息后，采用连续帧判断算法确定所述目标视频流中位于所述目标图片之后的目标数量的图片均触发所述第一级别报警信息以及所述第二级别报警信息则生成第三级别报警信息；
25.告警单元，用于根据所述第三级别报警信息触发所述目标区域的声光报警器发出警告。
26.一种火焰报警设备，所述设备包括处理器以及存储器：
27.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
28.所述处理器用于根据所述程序代码中的指令执行上述的火焰报警方法。
29.一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的火焰报警方法。
30.根据本发明提供的具体实施例，本发明公开了以下技术效果：
31.本技术实施例提供的一种火焰报警方法、装置、设备及存储介质，该方法采用三级级联式报警方案，分为三个阶段来进行联合报警，该方案可以克服传统目标检测方法检测准确率低的问题，。可以克服单一深度学习目标检测方案出现的误报情况，无需新的部署，具有可扩展性强，覆盖面广，检测精度高等特点。
32.另外，在优选的实施方式下，该方法可以实现待检测火焰的场景多角度，视角的实时火焰监测，同时该方法可以通过三级报警的形式，对火焰检测分级别来进行预测，当触发三级报警时在进行警报，同时该方法还可以灵活制定报警等级机制，根据不同形式的待检测火焰的场景进行定制化处理，另外该方法可以覆盖多种情况下的需求真正意义上的达到实时，准确的进行火焰检测报警，不误报，不漏报。
33.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
34.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说，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。
35.图1是本发明实施例提供的一种火焰报警方法的流程图；
36.图2是本发明实施例提供的yolov7目标检测框架网络示意图；
37.图3是本发明实施例提供的bconv结构示意图；
38.图4是本发明实施例提供的e-elan结构示意图；
39.图5是本发明实施例提供的mpconv结构示意图；
40.图6是本发明实施例提供的repconv结构示意图；
41.图7是本发明实施例提供的火焰目标检测结果图；
42.图8是本发明实施例提供的火焰分割标记示意图；
43.图9是本发明实施例提供的deeplabv3+语义分割框架网络结构图；
44.图10是本发明实施例提供的火焰语义分割结果示意图；
45.图11是本发明实施例提供的一种火焰报警装置的示意图；
46.图12是本发明实施例提供的一种火焰报警设备的结构示意图。
具体实施方式
47.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的一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。
48.参见图1，为本发明实施例提供的一种火焰报警方法，如图1所示，该方法可以包括：
49.s101:利用训练后的目标检测网络对目标视频流中的目标图片进行火焰检测获得火焰检测框；所述目标视频流包括通过图像摄取设备获取到的目标区域的视频流；具体的，采用流转换工具将所述视频流按每隔15帧提取一次的方式获取所述目标图片。采用间隔一定帧数获取目标图片的方式，既能够保证判断的准确性同时，又能够降低系统的计算负荷。进一步的，对由所述视频流中获取到的图片进行静帧、黑场、花屏检测，将检测无误后的图片作为所述目标图片。具体的，所述目标检测网络包括yolov7目标检测框架。
50.s102:确定目标火焰检测框中存在火焰则触发第一级别报警信息；具体的，所述火
焰语义分割网络包括deeplabv3+网络。
51.s103:利用训练后的火焰语义分割网络对所述火焰检测框中的火焰进行语义分割处理获得语义分割结果；
52.s104:确定所述语义分割结果包括火焰则触发第二级别报警信息；
53.s105:确定所述目标图片触发所述第一级别报警信息以及所述第二级别报警信息后，采用连续帧判断算法确定所述目标视频流中位于所述目标图片之后的目标数量的图片均触发所述第一级别报警信息以及所述第二级别报警信息则生成第三级别报警信息；具体的，所述目标数量为根据检测的所述目标视频流中位于所述目标图片之后的若干连续帧图片的检测数量所确定。进一步的，所述目标数量不少于所述检测数量的三分之二。
54.s106:根据所述第三级别报警信息触发所述目标区域的声光报警器发出警告。
55.该方法采用yolov7目标检测网络对火焰疑似发生的位置进行检测，对火焰进行初始判断，然后利用语义分割deeplabv3+完成火焰的分割，对火焰进行二次确认，最后利用监控摄像头中采集的火焰具有连续性的特性，对多帧图片进行联合判断，确认火焰发生的时间，及发生的位置，接着通过监控系统联动声光报警器等对火焰进行报警处理。该方法具有实时有效，不需要增加额外成本的条件下实现，同时该方法具有较强的扩展性以及泛化能力，可以在不同的待检测火焰的场景下进行部署。
56.该方法是利用深度学习图像算法中的目标检测、语义分割方法的人体解析技术来实现的待检测火焰的场景内实时火焰检测并完成分阶段报警的方案，为了实现该方法，需要完成以下几个步骤：
57.首先构建待检测火焰的场景火焰目标检测及关键点检测的数据集，由于通常无法在真实的待检测火焰的场景工作环境中去产生火焰，因此该方法采取网络图片配合gan生成待检测火焰的场景下火焰图片的方式来构建火焰检测数据集。
58.该方法的目标检测框架采用的是目前最为先进的yolov7框架，其网络由三个部分组成：input，backbone和head三部分组成，其中利用包含e-land层的基础特征网络完成图片特征提取，然后利用对于pafpn层对特征进行融合，输出的p3、p4和p5三层featuremap，接着经过repvgg block和conv，对图像检测的三类任务(分类、前后背景分类、边框)预测，输出最后的结果。将工厂中摄像头获取的图像信息输入网络中进行检测预测，获取火焰结果的目标检测框，完成第一级的提醒。
59.构建一个火焰语义分割网络，将现有火焰数据分割数据集进行收集整理，然后利用生成的工厂厂区数据集进行标记火焰部分，将两者组合形成新的工厂火焰检测数据集，利用deeplabv3+网络对目标检测框中的火焰进行分割处理，根据分割结果确定目标检测框中是否存在火焰，完成第二级报警。
60.当同时利用目标检测模块检测到火焰，并且在检测框中利用语义分割模块提取到火焰时，开启连续帧检测方案，此时采用连续关键帧检测方案，进行判断，若触发连续火焰检测报警阈值时，开启第三级的报警。
61.该方法的优势在于：该方法可以实现待检测火焰的场景多角度视角的实时火焰监测，同时该方法可以通过三级报警的形式，对火焰检测分级别来进行预测，当触发三级报警时在进行警报，同时该方法还可以灵活制定报警等级机制，根据不同形式的待检测火焰的场景进行定制化处理，另外该方法可以覆盖多种情况下的需求达到真正意义上的实时，准
确的进行火焰检测报警，不误报，不漏报。
62.该方法采用三级联式报警方案，分为三个阶段来进行联合报警，该方案可以克服传统目标检测方法检测准确率低的问题，同时可以克服单一深度学习目标检测方案出现的误报情况，同时无需新的部署，具有可扩展性强，覆盖面广，检测精度高等特点。
63.同时相较于增加温度，火焰烟雾报警器的方案具有成本低廉的优势。该方法可以部署在室内室外，各种场景下的工厂，办公楼，教学楼等环境中，具有很强的泛化能力，同时具有部署方便，适用面广的特性，是利用人工智能技术实现工厂安全生产保障的优秀案例。
64.下面以在工厂场景下应用本技术实施例提供的方法为例进行详细说明。
65.首先分析获取待检测火焰的场景下摄像头采集的图像信息，接着利用yolov7目标检测框架对工厂中火焰进行检测，若检测到火焰进行第一级别的提醒；由于待检测火焰的场景环境复杂可能出现误报情况，然后利用自监督技术对火焰目标检测框中的火焰进行语义分割处理，根据语义分割结果进行第二级别的报警处理，当同时触发第一级别和第二级别的报警后，开始启用连续帧判断程序，当连续50帧图片中都有一定数量的图片触发相应的一二级检测报警后，正式开启第三级别的报警，这时触发相应区域的声光报警器对火灾进行报警。
66.主要通过以下三个大的步骤：
67.步骤一，构建火焰检测的检测网络，首先构建工厂火焰目标检测及关键点检测的数据集，由于无法在真实的工厂工作环境中去产生火焰，因此该方法采取网络图片配合gan生成工厂下火焰图片的方式来构建火焰检测数据集。
68.该方法的目标检测框架采用的是目前最为先进的yolov7框架，其网络由三个部分组成：input，backbone和head三部分组成，其中利用包含e-land层的基础特征网络完成图片特征提取，然后利用对于pafpn层的特征进行融合，输出的p3、p4和p5三层featuremap，接着经过repvgg block和conv，对图像检测的三类任务(分类、前后背景分类、边框)预测，输出最后的结果。将工厂中摄像头获取的图像信息输入网络中进行检测预测，获取火焰结果的目标检测框。
69.利用真实火焰图片和生成的火焰图片建立工厂火焰检测数据集，然后利用yolov7目标检测框架火焰检测数据集进行训练，将训练模型部署在工厂监控系统中，对监控摄像头采集的视频流图片进行实时检测，若检测到火焰进行第一级别报警。
70.具体的，通过工厂厂区中摄像头采集的图片，首利用yolov7目标检测框架火焰检测数据集进行训练，将训练模型部署在工厂监控系统中，对监控摄像头采集的视频流图片进行实时检测，若检测到火焰进行第一级别报警，具体实现步骤分为如下几步，具体实现步骤分为如下几步，
71.步骤101，建立一个火焰目标检测的数据集，由于火焰检测的特殊性以及工厂环境内无法真实制造火焰样本，因此该方法构造的数据集为互联网火焰图片以及通过gan和随机合成的方法来进行，另外，该方法两种数据类型均采用voc标记格式进行标记，该方法中采集的工厂图片均来自于各个工厂中不同时间，不同厂区，不同角度的视频监控视角下的图像。
72.步骤102，对步骤101的对工厂自建数据集进行数据扩增，首先通过火焰图片的不同，通过随机将不同大小火焰，嵌入真实的工厂场景中，用于模拟真实的火焰在厂区发生的
情况。对于摄像机采集的图像来说，由于检测环境的光照条件不同，需要对不同光照条件的图像均得到充分的训练，因此采用dcgan的生成的方式，生成不同光照条件下的图片。
73.将真实火焰场景图片采集的1400张图片，以及工厂场景模拟的1100张火焰图片，以及dcgan生成的1000张不同光照下的火焰图片组合最终的该方法的目标检测数据集，采用步骤101中提到的voc标记结构进行标注。
74.步骤103，构建yolov7目标检测框架，用于对数据集进行训练，以及对工厂摄像头进行预测，框架结构图如图2所示，可以看出其网络结构比较简单，先进行一个输入，然后backbone用于提取特征，head用于预测，最后输出类别和检测框。
75.以标准640*640的rgb图片输入为例，将图片输入到backbone网络中，根据提取特征后完成的三层输出，在head层通过backbone网络继续输出三层不同size大小的feature map，经过repvgg block和conv，对图像检测的类别边框进行预测，输出最后的结果。其中backbone，由若干bconv层、e-elan层以及mpconv层组成，bconv层如图3所示，其作用是通过不同的kernel和stride变换，输出不同的结果。e-elan层如图4所示，由图可以看出整个e-elan层输入输出的长宽不变，作用是将不同channel的输出利用concate完成拼接。mpconv层结构如图5所示，上分支通过maxpooling使长宽减半，通过bconv对通道减半，下分支则通过第一个bconv对通道减半。因此整个backbone层由若干bconv层、e-elan层以及mpconv层交替减半长宽，增倍通道，提取特征。其中head部分则是由sppcpc层来对backbone中提取的特征进行分离，然后再利用pafpn层对分离的特征进行融合，最后得到为p3、p4、p5三层featuremap，最后利用repconv调整通道数，其结构如图6所示，最后使用1*1卷积去预测输出的前景背景、种类、检测框三部分，由于本文火焰检测中只有火焰一个种类，因此输出直接为种类和检测框两种，至此完成整个火焰检测目标检测框架搭建。然后将步骤102中标记完成的目标检测数据集利用此框架进行训练。最后完成整个网络的训练。
76.步骤104，将步骤102完成标记的目标检测数据集作为步骤103中yolov7检测框架网络的训练集，在新华三r4900服务器下进行训练，采用两张tesla-t4深度学显卡进行分布式训练，batch设置为32，共进行200个epoch训练，最后得到火焰目标检测的最优模型，map值达到78.3％，准确率达到98.4％，召回率达到97.3％。
77.步骤105，利用步骤104得到的模型对工厂监控摄像头进行火焰目标检测预测工作，第一步对监控摄像头采集的图片进行编解码工作，然后利用流转换工具将视频流按每隔15帧提取一次的方式转换成rgb图片，作为火焰目标检测的输入，在进行正式预测之前，先对图像信息进行静帧，黑场，花屏等检测，确定无上述情况后，再利用步骤104训练的模型文件进行前向预测，根据设置的置信度阈值，当超过阈值后，可获取到火焰检测结果，完成第一级别的报警，并将其传入检测结果图传入下面步骤，检测结果如图7所示。
78.步骤二，同样建立火焰语义分割数据集，利用deeplabv3+网络对第一步中的目标检测框中的火焰进行分割处理，根据分割结果确定目标检测框中是否存在火焰，完成第二级报警信息触发。
79.具体的，构建一个火焰语义分割网络，首先将现有火焰数据分割数据集进行收集整理，然后利用生成的工厂厂区数据集进行标记火焰部分，将两者组合形成新的工厂火焰检测数据集，利用deeplabv3+网络对第一步中的目标检测框中的火焰进行分割处理，根据分割结果确定目标检测框中是否存在火焰，完成第二级报警信息触发。
80.步骤二中，对步骤一中得到的第一级火警警告后，对目标检测结果进行进一步的分析，即利用deeplabv3+网络对步骤一中的目标检测框中的火焰进行分割处理，根据分割结果确定目标检测框中是否存在火焰，完成第二级报警，步骤二的具体实现步骤分为如下几步。
81.步骤201，首先需要构建火焰语义分割数据集，将上述目标检测数据集中的火焰，以及工厂生成的火焰数据，利用voc-segmentation标记格式进行标记，如图8所示，其中包括一张rgb图片，一张掩膜mask图片。特别针对步骤一中检测结果中，容易将红色化学物料桶，安全帽，消防栓，指示灯等容易误判为火焰，因此将这些样本取出构建为负样本。筛选重复样本后，完成工厂语义分割数据集，共计3500张图片，该数据集可以随时更新增加，用以适用于更多的场景。
82.步骤202，利用步骤201的数据集开始利用deeplabv3+语义分割框架进行训练，其结构如图9所示，deeplabv3+语义分割框架采用的在语义分割领域较为先进的encoder，decoder双向编解码方式。其中encoder和decoder两个模块引入了带有空洞卷积模块，在不损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。
83.该方法中采用backbone采用了改进的resnet-101网络，encoder对压缩三次的初步有效特征层利用并行的空洞卷积，分别用不同rate(三者rate分别为6、12、18)的空洞卷积进行特征提取，再进行concat合并，然后进行1x1卷积压缩特征提取的特征传入带有空洞卷积的空间金字塔池化模块中，其作用是为了引入多尺度信息能更好的进行特征融合并完成首次下采样。decoder则是对压缩两次的初步有效特征层利用1x1卷积调整通道数，再和经过空洞卷积后的有效特征层上采样的结果进行堆叠，在完成堆叠后，进行两次深度可分离卷积，最后获得了一个最终的有效特征层，接着利用一个1x1卷积进行通道调整，调整到所需要分割的类别(该方法中的火焰)然后利用resize进行缩放到和输入同样宽高的输出结果mask。
84.步骤203，将步骤201中标记完成的训练数据集，利用步骤202建立的火焰语义分割框架进行训练，训练的硬件参数与步骤104中硬件参数相通，部分训练参数为，out-stride＝16，learning-rate＝0.007，momentum＝0.9，weight-decay＝5e-4，epoch＝50等，训练完成后，best_pred为0.93。
85.步骤204，将步骤105中火焰检测框结果作为输入，利用步骤203训练完成的火焰语义分割模型作为预测模型，利用步骤202中建立的语义分割框架对输入的rgb图像进行前向预测，若结果中有火焰存在如图10所示，则该方法启动第二级别的报警警示。
86.步骤三：根据先验知识和步骤一步骤二中的火焰报警结果，采取连续帧判断方案来确定是否触发第三级报警。
87.具体的，判断是否进行声光报警处理，根据该方法中提到的三级报警情况，当同时利用目标检测模块检测到火焰，并且在检测框中利用语义分割模块提取到火焰时，开启连续帧检测方案，此时采用连续关键帧检测方案进行判断，若触发连续火焰检测报警阈值时，此时开启第三级的报警，利用监控系统联合开启相应位置声光报警器，完成火焰报警流程。
88.上述方案的步骤三中，根据先验知识和步骤一步骤二中的火焰报警结果，采取连续帧判断方案来确定是否触发第三级报警。步骤三的具体实现步骤分为如下几步，
89.步骤301，当步骤一和步骤二中火焰第一级和第二级报警均触发时，根据火灾发生
的火焰形状变化等先验知识，这时启动算法的连续帧判断方案，由于不同工厂真实场景不同，该方法主要针对现有工厂样本。从第二级报警触发时开始算起，对之后连续50帧图像进行连续判断，当有3分之2的图片均能触发一级和二级报警时，这时触发第三级报警。
90.步骤302，当触发第三级报警后，第一时间联动声光报警器进行报警，并将所触发火灾的区域，触发时间等信息上传到监控系统中，进行进一步的报警提示。
91.综合以上三个步骤，总体报警结构完成，该方法通过在工厂厂区的摄像头采集的图像进行分析，利用目标检测技术、语义分割技术，来实现的工厂厂区火焰多级别报警，该方法可以根据不同工厂的需求，可以对目标检测和语义分割的数据集进行更新，从而提升算法的效果，同时可以对报警级别进行定制化处理，实现不同的应用。因此该方法具有非接触式安全检测的特点，结合监控系统可以对整个厂区，甚至整个集团所有厂区的火灾进行监控，同时本方法具有很强的泛化能力，以及较好的定制化条件。另外该方法对于具有监控摄像头的工厂，可直接接入系统进行监测，无需安装新的摄像头设备。综上所述该方法是人工智能算法在工厂安全生产领域的一个优秀案例落地方案。
92.参见图11，本技术实施例还可以提供一种火焰报警装置，如图11所示，该装置可以包括：
93.火焰检测框获取单元1101，用于利用训练后的目标检测网络对目标视频流中的目标图片进行火焰检测获得火焰检测框；所述目标视频流包括通过图像摄取设备获取到的目标区域的视频流；
94.第一级别报警信息确定单元1102，用于确定目标火焰检测框中存在火焰则触发第一级别报警信息；
95.火焰语义分割处理单元1103，用于利用训练后的火焰语义分割网络对所述火焰检测框中的火焰进行语义分割处理获得语义分割结果；
96.第二级别报警信息确定单元1104，用于确定所述语义分割结果包括火焰则触发第二级别报警信息；
97.第三级别报警信息确定单元1105，用于确定所述目标图片触发所述第一级别报警信息以及所述第二级别报警信息后，采用连续帧判断算法确定所述目标视频流中位于所述目标图片之后的目标数量的图片均触发所述第一级别报警信息以及所述第二级别报警信息则生成第三级别报警信息；
98.告警单元1106，用于根据所述第三级别报警信息触发所述目标区域的声光报警器发出警告。
99.本技术实施例还可以提供一种火焰报警设备，其特征在于，所述设备包括处理器以及存储器：
100.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
101.所述处理器用于根据所述程序代码中的指令执行上述的火焰报警方法的步骤。
102.如图12所示，本技术实施例提供的一种火焰报警设备，可以包括：处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。
103.在本技术实施例中，处理器10可以为中央处理器(central processing unit，cpu)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件
等。
104.处理器10可以调用存储器11中存储的程序，具体的，处理器10可以执行火焰报警方法的实施例中的操作。
105.存储器11中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本技术实施例中，存储器11中至少存储有用于实现以下功能的程序：
106.利用训练后的目标检测网络对目标视频流中的目标图片进行火焰检测获得火焰检测框；所述目标视频流包括通过图像摄取设备获取到的目标区域的视频流；
107.确定目标火焰检测框中存在火焰则触发第一级别报警信息；
108.利用训练后的火焰语义分割网络对所述火焰检测框中的火焰进行语义分割处理获得语义分割结果；
109.确定所述语义分割结果包括火焰则触发第二级别报警信息；
110.确定所述目标图片触发所述第一级别报警信息以及所述第二级别报警信息后，采用连续帧判断算法确定所述目标视频流中位于所述目标图片之后的目标数量的图片均触发所述第一级别报警信息以及所述第二级别报警信息则生成第三级别报警信息；
111.根据所述第三级别报警信息触发所述目标区域的声光报警器发出警告。
112.在一种可能的实现方式中，存储器11可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能(比如文件创建功能、数据读写功能)所需的应用程序等；存储数据区可存储使用过程中所创建的数据，如初始化数据等。
113.此外，存储器11可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
114.通信接口12可以为通信模块的接口，用于与其他设备或者系统连接。
115.当然，需要说明的是，图12所示的结构并不构成对本技术实施例中火焰报警设备的限定，在实际应用中火焰报警设备可以包括比图12所示的更多或更少的部件，或者组合某些部件。
116.本技术实施例还可以提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的火焰报警方法的步骤。
117.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
118.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例或者实施例的某
些部分所述的方法。
119.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
120.以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。