烟雾火焰报警方法、装置、电子设备及存储介质与流程

本技术涉及安防，尤其涉及一种烟雾火焰报警方法、装置、电子设备及存储介质。

背景技术：

1、火灾是最普遍地危害公众安全和设备安全的主要灾害之一，常常造成巨大的资源和财产损失。尤其是在电力生产单位现场，烟雾和火焰的报警与防控对保护光伏及风机的箱变等重要电力设备的安全至关重要，因此在视频监控系统中加入检测算法对烟雾和火焰进行定位和识别，能够保障电力生产安全运维，同时也能够降低运维成本。

2、传统的烟雾和火焰检测主要通过红外摄像头装置及烟雾传感器等实现火焰和烟雾的报警功能，然而该种方式具有将晚霞误判为火焰和粉尘误判为烟雾等局限性，另外其对于室内场景具有良好的烟雾和火焰预测效果，但是不能够大规模应用于各种复杂环境下的室外场景。

3、因此，现有技术存在因烟雾和火焰识别准确率低导致的报警准确率低的技术问题。

技术实现思路

1、本技术提供了一种烟雾火焰报警方法、装置、电子设备及存储介质，用以解决现有技术存在的烟雾火焰报警的准确率低的技术问题。

2、根据本技术的第一方面，提供了一种烟雾火焰报警方法，包括：

3、从目标区域的监控视频中获取至少一帧待检测的图像；其中，所述监控视频由用户终端通过监控设备进行监控时所获取；

4、采用目标烟雾火焰预测模型，对所述待检测的图像进行分析处理，以对所述目标区域是否发生烟雾和火焰进行预测，并得到预测结果；其中，所述目标烟雾火焰预测模型为预先训练好的改进yolov7网络；所述预先训练好的改进yolov7网络包括依次连接的训练好的输入模块、训练好的骨干网络和训练好的head网络；所述骨干网络包含若干个分组卷积模块；所述head网络包含表征注意力机制的se block模块；

5、在所述预测结果为存在烟雾和/或火焰情况的预测结果时，生成对应的报警信息。

6、可选地，所述采用目标烟雾火焰预测模型，对所述待检测的图像进行分析处理，以对所述目标区域是否发生烟雾和火焰进行预测，并得到预测结果，包括：

7、采用训练好的所述输入模块，对所述待检测的图像进行预处理，得到预处理后的图像；

8、采用训练好的所述骨干网络，对所述预处理后的图像进行提取处理，以获取目标特征；

9、根据所述目标特征，采用训练好的所述head网络，对所述目标区域是否发生烟雾和火焰进行预测，并得到预测结果。

10、可选地，所述骨干网络具体包括：依次连接的第一分组卷积模块和第二分组卷积模块；

11、其中，所述第一分组卷积模块由第一类型的cbs模块、第二类型的cbs模块和第一elan模块构成；所述第二类型的cbs模块的卷积核大小与所述第一类型的cbs模块的卷积核大小不同；

12、所述第二分组卷积模块由mp模块、第二elan模块和fpn模块构成。

13、可选地，所述第二分组卷积模块的数量为多个，多个所述第二分组卷积模块之间依次连接，且每个所述分组卷积模块的输出均作为所述head网络的输入。

14、可选地，所述改进yolov7网络的训练过程，包括：

15、获取用于训练改进yolov7网络的样本数据集；所述样本数据集包括图片样本和所述图片样本的标签；

16、按照预设比例，将所述样本数据集划分为训练集、测试集和验证集；

17、根据所述训练集、测试集和验证集，对由输入模块、骨干网络和head网络构成的改进yolov7网络进行训练，在训练结束后，得到训练好的模型参数，并将与所述训练好的模型参数对应的改进yolov7网络，作为所述目标烟雾火焰预测模型。

18、可选地，所述获取用于训练改进yolov7网络的样本数据集，包括：

19、从记录有目标区域和/或除了所述目标区域之外的其他区域发生烟雾火焰的已有监控视频中截取视频片段；

20、从截取到的所述视频片段中获取每一帧烟雾火焰图片；

21、从所有烟雾火焰图片中剔除烟雾火焰轮廓相同的烟雾火焰图片，得到烟雾火焰图片集，并对所述烟雾火焰图片集中的烟雾火焰图片进行预处理，得到图片样本；

22、对所述图片样本进行烟雾区域位置和火焰区域位置的标记，并将标记信息作为所述图片样本的标签。

23、可选地，所述对所述烟雾火焰图片集中的烟雾火焰图片进行预处理，得到图片样本，包括：

24、采用目标滤波算法对所述烟雾火焰图片集中的烟雾火焰图片进行降噪处理，得到降噪后的烟雾火焰图片；

25、对所述降噪后的烟雾火焰图片进行尺寸调整和像素值归一化处理，得到所述图片样本。

26、根据本技术的第二方面，提供了一种烟雾火焰报警装置，包括：

27、获取模块，用于从目标区域的监控视频中获取至少一帧待检测的图像；其中，所述监控视频由用户终端通过监控设备进行监控时所获取；

28、分析预测模块，用于采用目标烟雾火焰预测模型，对所述待检测的图像进行分析处理，以对所述目标区域是否发生烟雾和火焰进行预测，并得到预测结果；其中，所述目标烟雾火焰预测模型为预先训练好的改进yolov7网络；所述预先训练好的改进yolov7网络包括依次连接的训练好的输入模块、训练好的骨干网络和训练好的head网络；所述骨干网络包含若干个分组卷积模块；所述head网络包含表征注意力机制的se block模块；

29、生成模块，用于在所述预测结果为存在烟雾和/或火焰情况的预测结果时，生成对应的报警信息。

30、根据本技术的第三方面，提供了一种电子设备，包括：至少一个处理器和存储器；

31、所述存储器存储计算机执行指令；

32、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的烟雾火焰报警方法。

33、根据本技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面所述的烟雾火焰报警方法。

34、根据本技术的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的烟雾火焰报警方法。

35、本技术提供的一种烟雾火焰报警方法，包括：从目标区域的监控视频中获取至少一帧待检测的图像；其中，监控视频由用户终端通过监控设备进行监控时所获取；采用目标烟雾火焰预测模型，对待检测的图像进行分析处理，以对目标区域是否发生烟雾和火焰进行预测，并得到预测结果；其中，目标烟雾火焰预测模型为预先训练好的改进yolov7网络；预先训练好的改进yolov7网络包括依次连接的训练好的输入模块、训练好的骨干网络和训练好的head网络；骨干网络包含若干个分组卷积模块；head网络包含表征注意力机制的seblock模块；在预测结果为存在烟雾和/或火焰情况的预测结果时，生成对应的报警信息。

36、本技术中的目标烟雾火焰预测模型是预先训练好的改进yolov7网络，在该改进yolov7网络中，骨干网络采用若干个分组卷积模块可以自动提取多样化的特征，具有模型参数计算量小的优势；而head网络包含表征注意力机制的se block模块，具有尺度自适应的优势，即该head网络能够使改进yolov7网络根据语义重要性自适应地融合不同尺度的特征，提升烟雾、火焰等不规则形状的目标的检测精度，减少误判，因此本技术通过该目标烟雾火焰预测模型能够准确识别出待检测的图像中的烟雾和火焰，提高烟雾火焰报警的准确性。

37、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。