(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210586738.5 (22)申请日 2022.05.27 (71)申请人 西北师范大学 地址 730070 甘肃省兰州市安宁区安宁东 路967号 (72)发明人 邓翔宇　叶津宏　 (74)专利代理 机构 北京金宏来专利代理事务所 (特殊普通 合伙) 11641 专利代理师 陆华 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/22(2022.01) G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种新的智能火灾探测方法 (57)摘要 本发明公开了一种新的智能火灾探测方法， 包括以下步骤： 步骤1： 利用高清摄像头获取现场 的待处理场景图像信息； 步骤2： 将获取的待处理 场景图像输入到yolov5进行粗定位处理， 提取出 火焰和疑似火焰的区域图像； 步骤3： 将火焰和疑 似火焰的区域图像输入到改进的D ‑Mnet和脉冲 耦合神经网络(PCNN)进行分割处理； 步骤 4： 对分 割得到的图像C进行特征提取， 获取图像的特征 信息D； 步骤5： 将特征信息D送入DNN神经网络进 行分类处理得到识别结果， 将识别结果通过端口 或以通信的方式送到嵌入式主控模块做出相应 的处理。 本发 明对于减少火灾的发生和促进智慧 消防的发展具有重要的意义， 具有潜在的市场推 广价值和良好的经济效益。 权利要求书2页 说明书5页 附图4页 CN 114898295 A 2022.08.12 CN 114898295 A 1.一种新的智能火灾探测方法， 其特 征在于： 包括以下步骤： 步骤1： 利用高清摄 像头获取现场的待处 理场景图像信息； 步骤2： 将获取的待 处理场景图像输入到yolov5进行粗定位处理， 提取出火焰和疑似火 焰的区域图像； 步骤3： 将火焰和疑似火焰的区域图像输入到改进的D ‑Mnet和脉冲耦合神经网络 (PCNN)进行分割处 理， 获得图像C； 步骤4： 对分割得到的图像C进行 特征提取， 获取图像的特 征信息D； 步骤5： 将特征信息D送入DNN神经网络进行分类处理得到识别结果， 将识别结果通过端 口或以通信的方式送到嵌入式主控 模块做出相应的处 理。 2.根据权利要求1所述的新的智能火灾探测方法， 其特 征在于： 所述 步骤3包括： 步骤31： 对出火焰和疑似火焰的区域图像采用多个不同尺度的卷积核进行卷积操作， 输出卷积结果A； 步骤32： 对卷积结果A进行特征的融合， 对融合后的图像进行可变形卷积处理， 得到特 征图象B； 步骤33： 将特征图像B经通道注意力 机制给每个通道赋予不同的权重， 然后进行残差操 作， 最后进行归一 化处理和激活输出， 得到特 征图； 步骤34： 对上一层的激活输出特征图进行最大池化处理， 并融合来自前一层卷积输出 的特征图象B； 步骤35： 重复步骤31 ‑34， 最后经 过4次同样的下采样 操作来提取图像的特 征信息； 步骤36： 进行上采样反卷积的操作， 使特征图经过4 次上采样逐渐恢复成原始图像尺寸 大小的， 最后输出对应图像 每个像素点0～1的概 率值； 步骤37： 将步骤36输出的图像利用PCNN模型代替原网络的单阈值分割方法进行分割处 理， 获得图像C 。 3.根据权利要求2所述的新的智能火灾探测方法， 其特征在于： 所述步骤32中， 对卷积 结果A进行 特征的融合的公式为： 其中， Fc(w,h,c)为经通道融合的多层特征图像； Fout(w,h)为卷积输出， Hc为将所有输出 特征图像融合而成的多层图像； 可变卷积的计算公式为： 且m， n满足： 0 ≤m+Δm＜Ir+Mr‑1， 0≤n+Δn＜Ic+Mc‑1。 4.根据权利要求3所述的新的智能火灾探测方法， 其特征在于： 所述步骤33 中的计算公 式为： Sout＝Fex(Zx,W)＝σ(g(Zx,W))＝σ(W2δ(W1Zx))权　利　要　求　书 1/2 页 2 CN 114898295 A 2Sc(c)＝Hc([[Sout_c1,...,Sout_cn]) F(w,h,c)＝Fscale(Fc(w,h,c),Sc(c))＝Fc(w,h,c)·Sc(c) Fres‑out(w,h,c)＝F(w,h,c)+Co nv(fin,w1×1) 其中， Fout(w,h)为卷积输出； Gsq表示全局平均池化； Zx表示特征图像全局平均池化的结 果； Fex表示非线性变换； σ和δ分别为sigmoid和ReLU激活函数； W1、 W2为网络训练得到的权 值； Fscale表示给定不同权值的不同通道； Sc是每个通道的权值(大小为1x1xC)； F(w,h,c)为 不同通道赋予不同权重的多层特征图像； wk为卷积核； fin为输入特征图； F(w,h,c)为不同通 道赋予不同权重的多层特征图像； Conv(fin,w1×1)为对输入图像进行1x1卷积； Fres‑out为执行 残差机制后的输出。 5.根据权利要求1所述的新的智能火灾探测方法， 其特征在于： 所述步骤37中， PCNN神 经网络模型为： Fij(n)＝Sij Lij(n)＝VL∑WijklYijkl(n‑1) Uij(n)＝Fij(n)(1+β Lij(n)) Yij(n)＝ ε[Uij(n)‑Eij(n)] PCNN模型的邻域连接 权矩阵值计算公式为： 则邻域连接 权矩阵表示 为： 权　利　要　求　书 2/2 页 3 CN 114898295 A 3