瑞芯微RV1126B火焰检测：基于深度学习的目标检测详解
1. 火焰检测简介
火焰检测是一种基于深度学习的对火焰进行检测定位的目标检测。基于大规模火焰数据识别训练，配合摄像头，实时识别监控区内明火情况立刻发出警报，提醒监控室查看，及时止损。
本火焰检测算法在数据集表现如下所示：
基于EASY-EAI-Nano-TB硬件主板的运行效率：
2. 快速上手
2.1 开发环境准备
如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。
在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。
cd ~/develop_environment
./run.sh
2.2 源码下载
在EASY-EAI编译环境下创建存放源码仓库的管理目录：
cd /opt
mkdir EASY-EAI-Toolkit
cd EASY-EAI-Toolkit通过git工具，在管理目录内克隆远程仓库
git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-1126B.git
注：
* 此处可能会因网络原因造成卡顿，请耐心等待。
* 如果实在要在gitHub网页上下载，也要把整个仓库下载下来，不能单独下载本实例对应的目录。
2.3 模型部署
要完成算法Demo的执行，需要先下载火焰检测算法模型。
百度网盘链接为：https://pan.baidu.com/s/11hAoFKprLXvH98M_iQh6vQ?pwd=1234 （提取码：1234 ）。
同时需要把下载的火焰检测算法模型复制粘贴到Release/目录：
2.4 例程编译
进入到对应的例程目录执行编译操作，具体命令如下所示：
cd EASY-EAI-Toolkit-1126B/Demos/algorithm-fire/
./build.sh cpres注：
* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持/mnt挂载。
* 若build.sh脚本带有cpres参数，则会把Release/目录下的所有资源都拷贝到开发板上。
2.5 例程运行及效果
通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：
cd /userdata/Demo/algorithm-fire/
运行例程命令如下所示：
sudo ./test-fire_detect fire_detect.model test.jpg
在EASY-EAI编译环境可以取回测试图片:
cp /mnt/userdata/Demo/algorithm-fire/result.jpg .
结果图片如下所示：
API的详细说明，以及API的调用（本例程源码），详细信息见下方说明。
3. 火焰检测API说明
3.1 引用方式
为方便客户在本地工程中直接调用我们的EASY EAI api库，此处列出工程中需要链接的库以及头文件等，方便用户直接添加。
3.2 火焰检测初始化函数
火焰检测初始化函数原型如下所示。
int fire_detect_init(rknn_context *ctx, const char * path)具体介绍如下所示。
3.3 火焰检测运行函数
火焰检测运行函数fire_detect_run原型如下所示。
int fire_detect_run(rknn_context ctx, cv::Mat input_image, person_detect_result_group_t *detect_result_group)具体介绍如下所示。
3.4 火焰检测释放函数
火焰检测释放函数原型如下所示。
int fire_detect_release(rknn_context ctx)具体介绍如下所示。
4. 火焰检测算法例程
例程目录为Demos/algorithm-fire/test-fire_detect.cpp，操作流程如下。
参考例程如下所示。
#include
#include
#include
#include"fire_detect.h"
using namespace cv;
using namespace std;
static Scalar colorArray[10]={
Scalar(255, 0, 0, 255),
Scalar(0, 255, 0, 255),
Scalar(0,0,139,255),
Scalar(0,100,0,255),
Scalar(139,139,0,255),
Scalar(209,206,0,255),
Scalar(0,127,255,255),
Scalar(139,61,72,255),
Scalar(0,255,0,255),
Scalar(255,0,0,255),
};
int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3);
int tf = max(tl -1, 1);
int base_line = 0;
cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
int x3 = x1 + t_size.width;
int y3 = y1 - t_size.height - 3;
rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1);
putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
return 0;
}
int main(int argc, char **argv)
{
if (argc != 3)
{
printf("%s n", argv[0]);
return -1;
}
const char *model_path = argv[1];
const char *image_path = argv[2];
/* 参数初始化 */
detect_result_group_t detect_result_group;
/* 算法模型初始化 */
rknn_context ctx;
fire_detect_init(&ctx, model_path);
/* 算法运行 */
cv::Mat src;
src = cv::imread(image_path, 1);
struct timeval start;
struct timeval end;
float time_use=0;
gettimeofday(&start,NULL);
fire_detect_run(ctx, src, &detect_result_group);
gettimeofday(&end,NULL);
time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒
printf("time_use is %fn",time_use/1000);
/* 算法结果在图像中画出并保存 */
// Draw Objects
char text[256];
for (int i = 0; i prop name, det_result->prop * 100);
printf("%s @ (%d %d %d %d) %fn", det_result->name, det_result->box.left, det_result->box.top,
det_result->box.right, det_result->box.bottom, det_result->prop);
int x1 = det_result->box.left;
int y1 = det_result->box.top;
int x2 = det_result->box.right;
int y2 = det_result->box.bottom;
/*
rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);
putText(src, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
*/
plot_one_box(src, x1, x2, y1, y2, text, i%10);
}
cv::imwrite("result.jpg", src);
/* 算法模型空间释放 */
fire_detect_release(ctx);
return 0;
}
