火灾识别

1 介绍

1.1 概要描述

火灾识别项目是基于昇腾Vision SDK，将火灾识别DenseNet模型部署到Atlas 200I DK A2上，实现对图像中是否有火灾进行识别的功能。

1.2 模型介绍

项目中用于火灾识别的是DenseNet模型，DenseNet 是一种灵活的架构，适用于各种计算机视觉应用，包括图片分类、对象识别和语义分割。

1.3 特性及适用场景

本项目能够能够针对火灾场景进行识别，并输出是否为火灾的结果。对于大多数火灾场景都能达到较好的识别效果，如在大型火灾、汽车失火、房屋失火以及较多烟雾的火灾场景都能够达到预期效果。对于较高分辨率的图像识别时，解码插件对图像处理会有较多耗时，最终整体能够满足25fps的性能需求。

以下为可能存在错误识别的情况： 1.当图像只拍摄到小部分火苗和少量烟雾时，会误将火灾场景错误地识别为没有火灾的场景。 2.当图像场景与火灾和烟雾相似时会被错误地识别为火灾场景。例如部分夕阳场景。

总的来说，该项目在大多数火灾场景下识别的准确度较高，但受限于原始模型的功能和性能，对于一些场景会出现识别错误。

1.4 实现流程

火灾识别SDK流程图如图1-3所示：

2 软件方案介绍

2.1 项目方案架构介绍

本项目架构主要流程为：图片进入流中，将图片解码之后放缩到特定尺寸，再利用densenet模型对图像中是否为火灾场景进行推理，最后输出结果。

表2.1 项目方案架构中各模块功能：

2.2 代码目录结构与说明

本工程名称为fire_detection,工程目录如下所示：

.
|-- README.md
|-- data
|   |-- other
|   `-- test
|-- envs
|   `-- atc_env.txt
|-- figures
|   `-- 火灾检测SDK流程图.png
|-- main.py
|-- models
|   `-- pth2onnx_310.py
|-- pipeline
|   `-- fire.pipeline
|-- run.sh
`-- test.py

其中，

• data目录用于存放测试数据集
• envs目录为环境变量配置说明文件
• models目录用于存放模型文件
• main.py为实现代码
• pipeline目录存放Vision SDK的流程编排文件fire.pipeline
• run.sh为推理启动脚本
• test.py为测试脚本

3 设置开发环境

步骤1 按照表1下载并安装配套版本的CANN软件包和Vision SDK软件包，并source对应的环境变量（安装成功后会打印设置环境变量的命令）。

步骤2 安装python依赖

pip install -r requirements.txt

步骤3 登录开发者套件，创建工作空间文件夹；登录开发者套件后，执行下面命令：

cd /home/HwHiAiUser/samples

mkdir gitee && cd gitee

步骤4 拉取Gitee昇腾社区样例代码仓

git clone https://gitee.com/ascend/ascend_community_projects.git

步骤5 进入火灾识别样例目录，并切换代码分支

cd ascend_community_projects/fire_detection

git checkout 310B

步骤6 下载模型文件和测试数据集 下载模型文件：

wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Atlas%20200I%20DK%20A2/DevKit/models/24.0.RC1/models.zip --no-check-certificate

解压模型文件夹压缩包，得到模型文件：

unzip models.zip

下载测试数据集：

wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Atlas%20200I%20DK%20A2/DevKit/models/24.0.RC1/data.zip --no-check-certificate

解压测试数据集夹压缩包，得到测试数据：

unzip data.zip

数据集举例，有火灾的图片如下：

没有火灾的图片：

步骤6 运行模型推理脚本，查看推理过程，得到火灾识别数据集上模型检测精度结果

python main.py

结果如下：

耗时时间： 8.572492999519454 ms
-----------------Destroy All Streams-----------------
精度： 94.15041782729804 %
总耗时： 3293.4406139929706 ms   总图片数： 359
平均单张耗时： 9.173929286888498 ms

一共测试了359张图片，耗时3.29秒，平均单张图片耗时9.17毫秒，火灾识别精度94.15%。