(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 202211330612.8 (22)申请日 2022.10.28 (71)申请人 松立控股集团股份有限公司 地址 266000 山东省青岛市 市南区宁 夏路 288号软件园6号楼1 1层 (72)发明人 刘寒松　王国强　王永　刘瑞　 李贤超　谭连胜　焦安健　 (74)专利代理 机构 青岛高晓专利事务所(普通 合伙) 37104 专利代理师 黄晓敏 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/24(2022.01) G06V 10/26(2022.01) (54)发明名称 基于弱监督协同稀疏关系排名机制的停车 场火灾检测方法 (57)摘要 本发明属于火灾检测技术领域， 涉及一种基 于弱监督协同稀疏关系排名机制的停车场火灾 检测方法， 先构建火灾检测数据集， 通过基于双 流分类网络类激活映射机制生成停车场火灾位 置粗定位， 再引入基于稀 疏关系排名的协同学习 机制， 将火灾区域建模为一致性信息， 通过阈值 化分割操作将前景区域 以加权的方式增强火灾 区域， 并结合CRF分割算法可以将火灾区域精细 化， 然后基于精细化的结果训练火灾分割网络， 分割网络 结果作用到火灾分类网络， 通过知 识蒸 馏的方式将二者结果迭代提升， 同时基于分割结 果的面积计算火灾的等级， 不仅可以用在停车场 火灾检测领域， 对于其他数据集匮乏需要采用弱 监督方式提升精度的领域同样适用。 权利要求书2页 说明书5页 附图3页 CN 115393660 A 2022.11.25 CN 115393660 A 1.一种基于弱监督协同稀疏关系排名机制的停车场火灾检测方法， 其特征在于， 具体 包括如下步骤： （1） 构建火灾检测数据集： 收集停车场火灾时图片构建火灾检测数据集， 将图片分为有火灾和无火灾两类， 同时 将火灾检测数据集划分为训练集， 验证集和 测试集三个子数据集； （2） 火灾 位置粗定位： 基于CAM机制， 将图片类别信息转化为定位信 息的类别激活图， 通过这种方式将停车场 中火灾位置粗定位； （3） 基于双流协同学习机制的关系建模： 根据步骤 （2） 得到的火灾位置粗定位， 基于双流分类网络， 采用双流协同学习机制建模 双流网络之间的互补关系， 进一 步精细化火灾 位置粗定位； （4） 双流协同学习机制稀疏关系排名： 根据步骤 （3） 精细化后的停车场火灾粗定位信 息， 采用关系矩阵稀疏化的方式， 即在 关 系矩阵的基础上引入关系排名， 然后基于 关系排名， 挑选特征值最高的K个为一致性程度更 高的信息， 将火灾区域建模为 一致性信息； （5） 基于特 征学习阈值 化的火灾区域分割： 将步骤 （4） 输出的结果输入阈值化分割模块， 将火灾的定位信息转化为火灾的区域信 息， 以加权的方式增强火灾区域， 得到停车场火灾的精确分割区域； （6） 基于知识蒸馏网络的火灾预测网络迭代 精细化： 基于步骤 （5） 得到的精确分割区域训练端到端的停车场火灾分割网络， 将停车场火灾 分割网络的结果作用到火灾分类网络， 通过知识蒸馏的方式将二 者结果迭代提升； （7） 基于火灾分割面积的灾情程度预测： 根据步骤 （6） 输出的火灾分割信息获取火灾的面积， 将火灾的面积划分为不同的等级， 火灾面积的大小和火灾的等级对应， 由此 预测火灾 灾情程度； （8） 停车场火灾预测网络训练： 将火灾检测数据集中的训练集图片作为火灾分类网络的输入 并预测是否发生火灾， 再 反向传播误差， 对分类网络进 行训练； 同时将精细化的分割结果作为伪标签训练分割网络， 并反向传播误差， 对分割网络进 行训练， 然后 将分割网络的输出作为分类网络的权重信息， 训练分类网络， 二 者同时训练并同时提升， 得到训练好的停车场火灾预测网络； （9） 停车场火灾预测网络测试： 将火灾检测数据集中的测试集图片输入停车场火灾预测网络， 输出停车场火灾检测结 果， 基于检测结果计算火灾 面积， 确定火灾 等级， 并根据火灾 等级指定救 火方案。 2.根据权利要求1所述基于弱监督协同稀疏关系排名机制的停车场火灾检测方法， 其 特征在于， 步骤 （2） 的具体过程为： 将两张图片I1， I2输入到深度 学习网络， 将网络侧输出特 征 通过下采样和上采样 操作 （ ） 特征聚合： CAM机制定义如下：权　利　要　求　书 1/2 页 2 CN 115393660 A 2其中， Cov代表卷积操作， softmax代表归一化操作， FC代表全连接层， 代表特征层从2 到4， GAP代 表全局池化层。 3.根据权利要求2所述基于弱监督协同稀疏关系排名机制的停车场火灾检测方法， 其 特征在于， 步骤 （3） 的建模结果 为： , 其中， 和 分别为双流网络特征索引为i， j层的特征， 为矩阵乘法， 为归一 化函数。 4.根据权利要求3所述基于弱监督协同稀疏关系排名机制的停车场火灾检测方法， 其 特征在于， 步骤 （4） 所述关系矩阵为： , 其中， Ran k为排序函数， 能够根据特 征中数值 排序， 为获取排序后k个数目的值。 5.根据权利要求4所述基于弱监督协同稀疏关系排名机制的停车场火灾检测方法， 其 特征在于， 步骤 （5） 得到的停车场火灾精确分割区域 为： , 其中， 为对角矩阵， 和 是网络层学习的权 重； seg的定义如下， 其中， Cov代表卷积操作， Mul代表矩阵乘法， 代表惩罚因子， Tho代标阈值化操作， CP代 表基于通道的池化操作。权　利　要　求　书 2/2 页 3 CN 115393660 A 3