CN119418284A 船舶火灾检测方法、装置、设备及存储介质 （中国地质大学（武汉））

过构建船舶火灾检测网络LFADF_Net，将船舶火灾训练数据集输入所述船舶火灾检测LFADF_Net像素的损失函数对所述船舶火灾检测LFADF_Net网络中的参数进行优化训练，得到训练好的LFADF_Net船舶火灾检测网络模型；采集目标船舶的视频数据；通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数火灾检测结果，该LFADF_Net船舶火灾检测网络2构建船舶火灾检测网络LFADF_Net，将船舶火灾训练数据集输入所述船舶火灾检测根据所述船舶火灾训练数据集，通过基于像素的损失函数对所述船舶火通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据进行对所述船舶火灾视频数据进行处理，获得船舶火灾图像数据，将Net船舶火灾检测网络模型对所述目标船舶的视频数据进行火灾特征提取和船舶火灾检通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据进行根据所述火灾和烟雾的位置以及相应的置信度阈值，判断所述目标船舶是否存在火若判定存在火灾，则将所述目标船舶的视频数据送入时序光若判定不存在火灾，则根据所述目标船舶的视频数据中差分帧通过所述DySample模块基于动态范围因子自适应地减少所述特征图通过所述GSDI模块，应用空间和通道注意力机制分别捕获全局通道信3据集，通过基于像素的损失函数对所述船舶火灾检测LFADF_Net网络中的参数进行优化训加权所得到的混合损失函数对所述船舶火灾检测LFADF_Net网络中的参数进行优化训练，得到训练好的LFADF_Net船舶火灾检好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据进行火灾特征提取和船训练模块，用于根据所述船舶火灾训练数据集，通过基检测模块，用于通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶9.一种船舶火灾检测设备，其特征在于，所述船舶火灾检测程序被处理器执行时实现如权利要求1至7中任一项所述的船舶火灾检测方法的4适用于大范围区域，因为传感器只能在靠近火源时才能通过火灾产生的粒子检测到火灾。灾检测方法主要依赖于手动提取火焰和烟雾的特征并设计基于这些特征的分类器。其中，5[0007]上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技解决现有技术中火灾检测的准确性和效率无法兼顾构建船舶火灾检测网络LFADF_Net，将船舶火灾训练数据集输入所述船舶火灾检根据所述船舶火灾训练数据集，通过基于像素的损失函数对所述船舶火灾检测通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据6[0011]优选地，所述通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据通过所述GSME模块对所述去冗视频数据进行补偿及多尺度特征提取，获得特征通过所述DySample模块基于动态范围因子自适应地减少所述特征图中的背景信损失加权所得到的混合损失函数对所述船舶火灾检测LFADF_Net网络中的参数进行优化训[0015]优选地，所述通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船7检测模块，用于通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标[0020]图1是本发明实施例方案涉及的硬件运行环境的船舶火灾检测方法的结构示意图11为本发明船舶火灾检方法实施例中船舶火灾检测方法以及火灾运动信息计8[0024]如图1所示，该船舶火灾检测设备可以包括：处理器1001，例如中央处理器屏（Display可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口装置。[0025]本领域技术人员可以理解，图1中示出的结构并不构成对船舶火灾检测设备的限9通过所述GSME模块对所述去冗视频数据进行补偿及多尺度特征提取，获得特征通过所述DySample模块基于动态范围因子自适应地减少所述特征图中的背景信损失，并增强特征利用率。如下表1给出了所提出的LMFE骨干网络的结构和超参数，其中征图。中的单个元素。和o'分别表示特征图元素的均值和方差。N表示特征图中元素的总再者，基线模型中众多标准卷积的运用，限制了其从不规则区域有效提取并整合特征的能力。为应对此类挑战，ADFF模块借由一种新颖路径，集成了三种自适应动态特征融合方法X表示输入特征图。Y表示乘以文本权重后得到的输出特征图。w表示从[0048]可理解的是，通过基于像素的损失函数对所述LFADF_Net网络中的参数进行优化到的混合损失函数(Loss)对所述LEYolov8网络中的参数进行优化训练，得到训练好的LEYolov8的总损失是这三个损失的加权，权重设置为a=0.75，b=0.05，c=0.3。IoUloss的基础上额外考虑了预测目标框和真实标签框之间的距离、重叠比率和框的长宽比以及惩罚项来优化矩形框的回归精度与速度，可以使得预测矩形框回归的更加稳定。[0049]上述公式中，IoU定义为预测方框A与实际标签框B之间的交集与并集之比，p'(b,b")表示预测框的中心点与真实框的中心点之间的欧氏距离。c是包含真实框和预测损失加权所得到的混合损失函数对所述船舶火灾检测LFADF_Net网络中的参数进行优化训[0055]需要说明的是，可将上述训练好的LFADF_Net船舶火灾检测网络模型部署至控制灾或船舶火灾场景特征，通过结合TensorRT和Cuda加速库将模型部署至JetsonTX2嵌入式通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据将船舶火灾训练数据集输入所述船舶火灾检测LFADF_Net网络；根据所述船舶火灾训练数据集，通过基于像素的损失函数对所述船舶火灾检测LFADF_Net网络中的参数进行优化训训练好的LFADF_Net船舶火灾检测网络模型对所述目标船舶的视频数据进行火灾特征提取和船舶火灾检测，获得船舶火灾检测结果。本实施中包含轻量级多尺度特征提取网络少不规则火灾样本在边界框内导致的冗余信息，提高特征利用率。ADFF颈部由全新的融合架构与文本注意力机制构成，能有效处理复杂火灾背景中的多尺度问题，利用LMFE骨干提[0064]使用Labelme工具对所述船舶火灾标注数据集进行标注，获得船舶火灾训练数据集。使用Labelme工具对所述船舶火灾标注数据集进行标注是为了准确地识别和标定每一提出一种针对船舶的轻量级实时火灾检测模型，用以应对火灾事件的不同阶段。程序，所述船舶火灾检测程序被处理器执行时实现如上文所述的船舶火灾检测方法的步检测模块40，用于通过所述训练好的LFADF_Net船舶火灾检测网络模型对所述目[0071]本发明所述船舶火灾检测装置的其他实施例或具体实现方式可参照上述各方法[0074]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例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