本发明涉及图像检测，具体为一种基于自主学习的多尺度火焰图像检测方法。
背景技术：
1、火灾是火焰在时间和空间上失去控制而导致火焰蔓延的一种燃烧灾害性现象，火灾的发生对自然和社会造成一定程度的损害。研究表面，火灾的发生及其发展蔓延具有确定性和随机性。确定性表示火灾在某特定的场合及确定的发展路径，对于火势的蔓延及火焰烟雾等的流动传播遵循流体流动、热传动以及质量守恒等规律。然而火灾也具有随机性，对于何时、何地及何种因素引发火灾有着不确定性。因此，对于火灾的检测及其预防预警已然成为了包括建筑、森林甚至太空等安全工程领域的研究重点。
2、近年来，随着图像视觉检测技术具有探测时间早、精度高、系统安装灵活、能有效探测大空间复杂建筑结构火灾等优点，火灾图像检测技术已然成为火灾探测的研究热点。早期的火灾图像检测方法基于火灾发生时的颜色识别，但该方法对亮度和阴影非常敏感，常常造成误报，误警报率较高。随着机器学习的发展，深度学习网络在图像识别和分类上的应用取得了显著的进步，这使得基于深度学习的火灾检测算法变得越来越普遍。如卷积神经网络(cnn)进行早期火灾探测但是较为复杂，快速卷积神经网络(r-cnn)进行区域火灾探测但是探测速度相对较慢，以及yolo-v3和yolo-v4等的烟雾检测算法但是在小规模火焰探测上还存在火焰定位误差以及屏蔽效果较差的问题。
3、ai自主学习的概念在机器学习领域已经存在很长时间，但直到最近几年才开始引起人们的广泛关注。基于自主学习的深度学习模型已有不少的研究，而且学者们也在试图将自主学习和深度学习应用到图像识别领域。然而在实际图像识别应用中，自主学习还存在一些限制和挑战，如面对不断变化的环境如何进行自主学习、如何保证ai系统决策的安全性和可靠性。由此可见，基于自主学习的火灾图像探测技术势必成为火灾探测的热点研究技术之一。
技术实现思路
1、为解决上述背景技术中存在的问题，本发明采用以下技术方案：
2、本技术提供一种基于自主学习的多尺度火焰图像检测方法，包括如下步骤：
3、火焰图像采集，获得初始火焰图像；所述火焰图像采集包括获取目标区域的疑似火焰图像，将采集完的疑似火焰图像进行第一预处理获得第一预处理结果，再将第一预处理结果传递到控制器进行分析和判断；
4、将获得的初始火焰图像输入自主学习卷积神经网络模型进行火焰图像检测；
5、分析火焰图像检测结果，并获得分析结果集；
6、将分析结果集反馈输入到自主学习卷积神经网络模型，对自主学习卷积神经网络模型进行调整和训练；
7、其中，所述卷积神经网络模型为多尺度卷积神经网络模型。
8、作为本技术优选方案，所述第一预处理包括通过提取疑似火焰图像特征初判断是否存在火焰，具体包括如下步骤：
9、将提取的疑似火焰特征与控制器的数据库中存储的相应火焰特征进行比对，输出比对结果；
10、对所述比对结果进行火焰特征相关度计算；
11、按照相关度计算结果与预设火焰判断阈值进行对比；若超过阈值则，判断为存在火焰，并生成为初始火焰图像；若未超过阈值，则判断为不存在火焰，并将该结果发送到控制器，控制器发出继续进行火焰图像采集指令。
12、作为本技术优选方案，所述第一预处理包括对疑似火焰图像进行还原处理，并根据还原后的火焰图像判断是否存在火焰，具体包括如下步骤：
13、提取疑似火焰图像中的建筑信息；
14、根据提取的建筑信息调用bim模型；
15、根据调用的bim模型获取疑似火焰图像中的遮挡物信息及疑似火焰图像所在的建筑内部结构信息；
16、根据获得的遮挡物信息及建筑内部结构信息去除疑似火焰图像的遮挡物，还原火焰图像，获得初始火焰图像；
17、其中，所述获得初始火焰图像还包括：将去除遮挡物获得的还原火焰图像与通过调用的bim模型获得的建筑内部结构信息进行图像融合。
18、作为本技术优选方案，所述将获得的初始火焰图像输入自主学习卷积神经网络模型进行火焰图像检测，具体包括如下过程：
19、对获得的初始火焰图像进行第二预处理，获得目标火焰图像；
20、通过自主学习火焰图像对目标火焰图像进行图像特征提取；
21、将提取的图像特征进行卷积计算，获得火焰图像检测结果。
22、作为本技术优选方案，所述自主学习火焰图像具体包括如下步骤：
23、火焰标定，确定单个图像中火焰的位置及轮廓及其他火焰参数信息；
24、火焰矫正，对标定后的火焰信息进行矫正学习和存储相关的矫正结果参数；
25、火焰特征分割，对火焰特征逐一进行分割，得到不同火焰特征字符；
26、火焰特征分类识别，将分割后的火焰特征字符与模型中存储的火焰特征字符比对进行火焰特征分类识别，获得火焰图像特征并存储。
27、作为本技术优选方案，所述将提取的图像特征进行卷积计算，获得火焰图像检测结果具体包括如下子步骤：
28、通过多尺度卷积神经网络模型对初始火焰特征图像做卷积运算，获得卷积特征图像；
29、对卷积特征图像进行迭代处理，获得不同进程条件下的特征图像；
30、对不同进程条件下的特征图像进行从下至上以及从上至下的双向融合，获得融合目标特征图像；
31、对融合目标特征图像进行检测，获得火焰图像检测结果。
32、作为本技术优选方案，所述火焰矫正具体包括如下步骤：
33、找出标定后的火焰信息，包括记载的火焰信息以及非火焰信息；
34、对找出的火焰信息进行图像增强；
35、对增强后的图像特征信息进行二值化处理；
36、对去除干扰后的图像特征信息进行分析，确定火焰的位置及轮廓的火焰图像参数；
37、存储分析后获得的火焰图像参数，完成火焰矫正。
38、作为本技术优选方案，所述将分析结果集反馈输入到自主学习卷积神经网络模型，具体包括如下步骤：
39、将所述分析结果集输入到所述自主学习卷积神经网络模型的训练集、经验集和测试集中；
40、根据所述自主学习卷积神经网络模型的训练集、经验集和测试集的数据格式对分析结果集中的数据进行提取，获得分别训练集、经验集和测试集对应的结果训练集、结果经验集和结果测试集；
41、将所述结果训练集、结果经验集和结果测试集和所述自主学习卷积神经网络模型的训练集、经验集和测试集进行数据比对，输出比对结果；
42、根据比对结果分别对所述自主学习卷积神经网络模型的训练集、经验集和测试集进行优化调整，获得优化训练集、优化经验集和优化测试集；
43、采用所述优化训练集对所述自主学习卷积神经网络模型进行训练；
44、采用所述优化验证集对训练好的自主学习卷积神经网络模型进行验证，并根据验证结果调整参数；
45、采用所述优化测试集对验证后的自主学习卷积神经网络模型进行评估。
46、作为本技术优选方案，所述评估的指标包括模型的准确率、模型的召回率和模型的f1分数。
47、作为本技术优选方案，所述第一预处理包括通过提取疑似火焰图像特征初判断是否存在火焰；若存在，则将疑似火焰图像生成为初始火焰图像；若不存在，则重复进行火焰图像采集步骤。
48、作为本技术优选方案，提取疑似火焰图像特征包括疑似目标的颜色、形状以及纹理特征，同时还包括疑似目标的面积变化、边缘轮廓变化、闪动频率及整体移动变化。
49、与现有技术相比，本发明具有如下有益效果：
50、本技术提供的基于自主学习的多尺度火焰图像检测方法，通过将火焰图像检测结果进一步反馈至自主学习卷积神经网络模型，进行模型的修正调整和再训练，该反馈使得整个检测方法和其中的自主学习卷积神经网络模型训练形成闭环。与现有技术中仅仅使用卷积神经网络模型进行开环检测相比，模型本身的不断自主学习加上结果反馈再次修正自主学习，不仅有利于自主学习卷积神经网络模型的不断优化和修正，同时还能使图像检测结果更准确更接近实际场景发生现场，进一步提高决策的安全性和可靠性。
51、本技术通过在自主学习卷积神经网络模型之前，对疑似火焰图像进行第一预处理，确认存在火焰才生成初始火焰图像。对采集到的火焰图像做了火焰存在与否的初鉴定，大大的降低了误报火情、浪费人力成本的风险。
52、本发明的火焰图像检测方法通过对采集到的疑似火焰图像进行上述第一预处理，将bim技术与无监督学习算法结合进行火焰图像还原，将去除遮挡物同时还有火源点建筑内部结构信息的火焰图像生成初始火焰图像，可以最大程度的还原火焰现场，大大的提高了火情预警效率以及降低了火情误判风险。
53、本技术将第一预处理过程提取的特征和判断结果进一步反馈至自主学习卷积神经网络模型，进行模型的修正调整和再训练，该反馈使得整个检测方法包括第一阶段的预处理在内和其中的自主学习卷积神经网络模型训练形成闭环。不仅提高了自主学习的效率还提高了火焰图像的检测精度。
54、本技术还在自主学习卷积神经网络模型的构建的各过程阶段均引入自主学习机制，将实际检测阶段数据反馈至模型各阶段的参数调整和修正，由此可大大降低检测设备的运行压力并且提高自主学习的可靠性和决策的安全性。
1.一种基于自主学习的多尺度火焰图像检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述第一预处理包括通过提取疑似火焰图像特征初判断是否存在火焰，具体包括如下步骤：
3.根据权利要求1所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述第一预处理包括对疑似火焰图像进行还原处理，并根据还原后的火焰图像判断是否存在火焰，具体包括如下步骤：
4.根据权利要求1-3之一所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述将获得的初始火焰图像输入自主学习卷积神经网络模型进行火焰图像检测，具体包括如下过程：
5.根据权利要求4所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述自主学习火焰图像具体包括如下步骤：
6.根据权利要求4所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述将提取的图像特征进行卷积计算，获得火焰图像检测结果具体包括如下子步骤：
7.根据权利要求5所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述火焰矫正具体包括如下步骤：
8.根据权利要求1-3之一所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述将分析结果集反馈输入到自主学习卷积神经网络模型，具体包括如下步骤：
9.根据权利要求8所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：所述评估的指标包括模型的准确率、模型的召回率和模型的f1分数。
10.根据权利要求3所述的一种基于自主学习的多尺度火焰图像检测方法，其特征在于：
