(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 202210347943.6 (22)申请日 2022.04.01 (71)申请人 联通 （广东） 产业互联网有限公司 地址 510000 广东省广州市黄埔区(中新广 州知识城)亿创街1号 406房之555 (72)发明人 曾杰川　童荪　甘海华　 (74)专利代理 机构 广州润禾知识产权代理事务 所(普通合伙) 44446 专利代理师 郑永泉　欧秋望 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进DETR的火灾检测模型训练方 法及检测方法 (57)摘要 本发明公开了一种基于改进DETR的火灾检 测模型训练方法及检测方法， 训练方法包括： 获 取火灾样本图像， 并设置标注， 得到样本数据集； 构建基于改进DETR的火灾检测模型， 包括卷积神 经网络、 自适应模块、 连接模 块及Tran sformer模 块； 将样本数据集输入模型， 通过卷积神经网络 提取浅层特征和深层特征， 通过自适应模块对浅 层特征进行二次提取及为二次提取后的浅层特 征分配权重， 通过连接模块结合权重、 浅层特征 及 深 层特 征 计 算 最 终 输 出 特 征 ， 再 通 过 Transformer模块识别检测结果， 比较检测结果 和标注， 根据比较结果对模型进行训练， 得到训 练完成的火灾检测模型。 本发明中， 火灾检测模 型不受环 境因素影 响， 特征提取性能以及模型鲁 棒性高， 且无需进行后处 理， 处理流程简洁。 权利要求书2页 说明书6页 附图3页 CN 114639007 A 2022.06.17 CN 114639007 A 1.一种基于改进DETR的火灾检测模型训练方法， 其特 征在于， 包括以下步骤： 获取火灾样本图像， 并对所述火灾样本图像设置标注， 得到样本数据集； 构建基于改进DETR的火灾检测模型， 所述火灾检测模型包括卷积神经网络、 自适应模 块、 连接模块以及Transformer模块； 将所述样本数据集输入所述火灾检测模型， 通过所述卷积神经网络对所述样本数据集 提取若干个浅层特征和至少一个深层特征， 通过所述自适应模块对若干个所述浅层特征进 行二次特征提取以及为二次提取后的所述浅层特征分配权重， 通过所述连接模块结合所述 权重、 所述浅层特征以及所述深层特征计算最终输出特征， 通过所述Transformer模块根据 所述最终输出特征识别出火灾检测结果， 比较所述火灾检测结果和所述标注， 根据比较结 果对所述火灾检测模型进行训练， 得到训练完成的火灾检测模型。 2.根据权利要求1所述的一种基于改进DETR的火灾检测模型训练方法， 其特征在于， 获 取火灾样本图像， 并对所述火灾样本图像设置标注， 具体包括： 获取涉及烟雾的火灾样本 图像、 涉及火焰的火灾样本 图像、 以及不涉及烟雾或火焰的 火灾样本图像； 对所述火灾样本图像中火灾目标位置坐标以及火灾类别设置标注。 3.根据权利要求1所述的一种基于改进DETR的火灾检测模型训练方法， 其特征在于， 所 述卷积神经网络包括依次连接若干个浅层特 征提取模块以及至少一个深层特 征提取模块； 所述自适应模块包括若干个二 次特征提取模块以及权重输出模块， 所述二 次特征提取 模块与所述浅层特 征提取模块 一一对应； 通过所述卷积神经网络对所述样本数据集提取若干个浅层特征和至少一个深层特征， 通过所述自适应模块对若干个所述浅层特征进行二次特征提取以及为二次提取后的所述 浅层特征分配权 重， 具体包括： 通过若干个所述浅层特征提取模块分别对应提取若干个浅层特征， 通过至少一个所述 深层特征提取模块分别对应提取至少一个深层特征， 通过若干个所述二次特征提取模块分 别对应对若干个所述浅层特征进 行二次特征提取， 通过所述权重输出模块为二次提取后的 所述浅层特 征分配权 重。 4.根据权利要求3所述的一种基于改进DETR的火灾检测模型训练方法， 其特征在于， 通 过所述连接模块结合所述权重、 所述浅层特征以及所述深层特征计算最终输出特征， 具体 包括： 通过所述连接模块采用以下公式计算 最终输出 特征f： 其中， fi’表示第i个二次提取后的浅层特征， wi表示为第i个二次提取后的浅层特征分 配的权重， fm+1表示深层特 征， m表示浅层特 征的个数。 5.根据权利要求3所述的一种基于改进DETR的火灾检测模型训练方法， 其特征在于， 所 述浅层特征提取模块包括若干第一子特征提取单元、 第一拼接单元、 第一卷积单元、 第二拼 接单元以及第二子特征提取单元， 所述第一子特征提取单元依 次连接， 第一个所述第一子 特征提取单元的输入端作为所述浅层特征提取模块的输入端， 第一个所述第一子特征提取权　利　要　求　书 1/2 页 2 CN 114639007 A 2单元的输出端还连接所述第一拼接单元的输入端， 最后一个所述第一子特征提取单元的输 出端连接所述第一拼接单元的输入端， 所述第一拼接单元的输出端连接所述第一卷积单元 的输入端， 所述第一卷积单元 的输出端连接所述第二拼接单元的输入端， 所述第二拼接单 元的输出端连接所述第二子特征提取单元的输入端， 所述第二子特征提取单元的输出端作 为所述浅层特 征提取模块的输出端； 所述浅层特征提取模块还包括第 二卷积单元， 所述第 二卷积单元的输入端作为所述浅 层特征提取模块的输入端， 所述第二卷积单 元的输出端连接所述第二 拼接单元的输入端。 6.根据权利要求5所述的一种基于改进DETR的火灾检测模型训练方法， 其特征在于， 所 述第一子特征提取单元以及所述第二子特征提取单元， 均包括依 次连接的卷积层、 归一化 层以及激活函数层； 所述第一卷积单 元以及所述第二卷积单 元， 均包括卷积层。 7.根据权利要求3所述的一种基于改进DETR的火灾检测模型训练方法， 其特征在于， 所 述二次特征提取模块包括以1*1为卷积核的卷积层； 所述权重输出模块包括依次连接的全 连接层以及分类函数层， 所述分类函数层为softmax函数层。 8.一种基于改进DETR的火灾检测方法， 其特 征在于， 包括以下步骤： 获取待检测的图像； 利用基于权利要求1  7任一所述的方法训练得到的火灾检测模型对所述待检测的图像 进行火灾检测。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处理器执行所述计算机程序时实现如权利要求 1‑7任一项所述的训练方法， 或如权 利要求8所述的检测方法。 10.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1 ‑7任一项所述的训练方法， 或如权利要求8所述的检测方法。权　利　要　求　书 2/2 页 3 CN 114639007 A 3