买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学;电子科技大学中山学院申请的专利一种基于深度学习的多场景火灾检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119693620B 。

龙图腾网通过国家知识产权局官网在2025-11-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411767425.5，技术领域涉及：G06V10/25；该发明授权一种基于深度学习的多场景火灾检测方法是由何元烈;钟远平;梁椅辉设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种基于深度学习的多场景火灾检测方法在说明书摘要公布了：本发明公开了一种基于深度学习的多场景火灾检测方法。首先进行多场景火灾数据集准备，将图片按比例划分为训练集、验证集与测试集。接着设计火灾检测网络模型，其由输入图像、特征提取模块、残差通道注意力模块、Inception特征提取模块、最大池化层、平均池化层、随机失活层和全连接层组成。在模型训练时，采用交叉熵损失函数衡量差异，以Adam优化器更新参数，利用训练集与验证集迭代训练，依据损失函数收敛情况选最佳权重并评估准确度。训练后的模型与权重经转换和量化部署到算力设备，连接摄像头后，算力设备读取图像预处理并传入模型推理，对比预设阈值与推理结果准确率，大于阈值则报警。本发明网络模型适用场景多、参数量小、推理速度快，有效增强小火焰检测能力，解决现有模型多场景火灾初期小火焰检测不足及参数量大、推理慢等问题，具有良好的实用性与泛化性，为火灾检测提供高效可靠的解决方案。

本发明授权一种基于深度学习的多场景火灾检测方法在权利要求书中公布了：1.一种基于深度学习的多场景火灾检测方法，其特征在于：包括以下步骤： 一、多场景火灾数据集准备； 二、检测网络模型设计； 三、检测网络模型权重参数训练； 四、检测网络模型部署与火灾检测； 步骤二中，具体为： 网络模型由输入图像、特征提取模块、残差通道注意力模块、Inception特征提取模块、最大池化层、平均池化层、随机失活层和全连接层组成，其中： 所述输入图像是宽度和高度为224×224的3通道图像数据张量； 所述特征提取模块，其通过如下方式实现：设输入特征图为矩阵I，其大小为224×224，Ii,j表示第i行第j列的像素点，每个像素点由RGB三个值表示，It1为经过列变换后的矩阵，It2为经过行变换后的矩阵，滚动特征图为输入特征图矩阵I经过It1变换和It2变换后得到的特征图，It1变换的计算公式为： It2变换的计算公式为： 将输入图像的特征图进行滚动操作，把底部两行的像素数据滚动到顶部，然后把右边两列的像素数据滚动到左边，得到滚动特征图，使用步幅为4的4×4卷积核卷积输入的图像特征图和滚动的特征图，然后将输入特征图和滚动特征图的卷积结果按第一维度进行拼接，得到输出特征图，以有效增强小火焰在卷积操作边界上的特征并将输入图像的更多特征传递到网络模型； 所述残差通道注意力模块，由3×3卷积核、GELU激活函数、3×3卷积核、通道注意力模块和残差连接组成，所述通道注意力模块由全局平均池化层、1×1卷积核、GELU激活函数、1×1卷积核、Sigmoid激活函数组成，其操作如下：通道注意力模块的输入数据X为C×H×W的张量，首先，输入数据通过空间维度上的全局池化FGAP操作压缩X，将数据维度压缩为C×1×1数据，FGAP表达式为： 每个通道由FGAP全局池化计算得出zc，其中H和W是输入张量的高度和宽度，xci,j是第i行和第j列的像素值，使用线性函数FD把输入数据C×1×1的通道C大小降到得到维度为的张量，并使用线性函数FU把的张量升为C×1×1，在这一过程中，能够有效地提取输入张量的通道注意力信息，即信道因子SC，其计算表达式为： SC＝FUFDzc 最后，将原始输入数据X与信道因子SC进行点乘运算，得到输出数据X'，其表达式为： X′＝SC·X 所述Inception特征提取模块，由4个分支组成，包括一个1×1卷积分支、两个1×1卷积-3×3卷积分支和一个3×3最大池化-1×1卷积分支，输入数据通过4个分支的卷积结果串联作为输出数据，以获取火灾场景的特征信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学;电子科技大学中山学院，其通讯地址为：510000 广东省广州市东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。