1. 火焰檢測簡介

火焰檢測是一種基于深度學習的對火焰進行檢測定位的目標檢測。基于大規(guī)?；鹧鏀?shù)據(jù)識別訓練，配合攝像頭，實時識別監(jiān)控區(qū)內(nèi)明火情況立刻發(fā)出警報，提醒監(jiān)控室查看，及時止損。

本火焰檢測算法在數(shù)據(jù)集表現(xiàn)如下所示：

基于EASY-EAI-Nano硬件主板的運行效率：

2. 快速上手

2.1 開發(fā)環(huán)境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發(fā)環(huán)境準備/Easy-Eai編譯環(huán)境準備與更新》，并按照其相關的操作，進行編譯環(huán)境的部署。

在PC端Ubuntu系統(tǒng)中執(zhí)行run腳本，進入EASY-EAI編譯環(huán)境，具體如下所示。

cd ~/develop_environment
./run.sh

2.2 源碼下載以及例程編譯

在EASY-EAI編譯環(huán)境下創(chuàng)建存放源碼倉庫的管理目錄：

cd /opt
mkdir EASY-EAI-Toolkit
cd EASY-EAI-Toolkit

通過git工具，在管理目錄內(nèi)克隆遠程倉庫

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-Demo.git

注：

* 此處可能會因網(wǎng)絡原因造成卡頓，請耐心等待。

* 如果實在要在gitHub網(wǎng)頁上下載，也要把整個倉庫下載下來，不能單獨下載本實例對應的目錄。

進入到對應的例程目錄執(zhí)行編譯操作，具體命令如下所示：

cd EASY-EAI-Toolkit-C-Demo/algorithm-fire_detect/
./build.sh cpres

注：

* 若build.sh腳本帶有cpres參數(shù)，則會把Release/目錄下的所有資源都拷貝到開發(fā)板上。

* 若build.sh腳本不帶任何參數(shù)，則僅會拷貝demo編譯出來的可執(zhí)行文件。

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持adb連接。

2.3 模型部署

要完成算法Demo的執(zhí)行，需要先下載火焰檢測算法模型。

百度網(wǎng)盤鏈接為：https://pan.baidu.com/s/1FYkOfdUbQqe44lD6-J90OQ (提取碼：oswp )。

同時需要把下載的火焰檢測算法模型復制粘貼到Release/目錄下：

再通過下方命令將模型署到板卡中，如下所示。

cp ./Release/*.model /mnt/userdata/Demo

2.4 例程運行

通過按鍵Ctrl+Shift+T創(chuàng)建一個新窗口，執(zhí)行adb shell命令，進入板卡運行環(huán)境。

adb shell

進入板卡后，定位到例程上傳的位置，如下所示：

cd /userdata/Demo

運行例程命令如下所示：

./test-fire-detect

2.5 運行效果

fire-detect的Demo執(zhí)行效果如下所示:

再開一個窗口，在PC端Ubuntu環(huán)境通過以下命令可以把圖片拉回來:

adb pull /userdata/Demo/result.jpg .

結果圖片如下所示：

API的詳細說明，以及API的調(diào)用（本例程源碼），詳細信息見下方說明。

3. 火焰檢測API說明

3.1 引用方式

為方便客戶在本地工程中直接調(diào)用我們的EASY EAI api庫，此處列出工程中需要鏈接的庫以及頭文件等，方便用戶直接添加。

3.2 火焰檢測初始化函數(shù)

設置火焰檢測初始化函數(shù)原型如下所示。

 int fire_detect_init(rknn_context *ctx, const char * path)

具體介紹如下所示。

3.3 火焰檢測運行函數(shù)

設fire_detect_run原型如下所示。

int fire_detect_run(rknn_context ctx, cv::Mat input_image, fire_detect_result_group_t *detect_result_group)

具體介紹如下所示。

3.4 火焰檢測釋放函數(shù)

火焰檢測釋放函數(shù)原型如下所示。

 int fire_detect_release(rknn_context ctx)

具體介紹如下所示。

4. 火焰檢測算法例程

例程目錄為Toolkit-C-Demo/algorithm-fire_detect/test-fire-detect.cpp，操作流程如下。

參考例程如下所示。

#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)
{
	/* 參數(shù)初始化 */
	fire_detect_result_group_t detect_result_group;

	/* 算法模型初始化 */
	rknn_context ctx;
	fire_detect_init(&ctx, "./fire_detect.model");

	/* 算法運行 */
	cv::Mat src, rgb_img;
	src = cv::imread("test.jpg", 1);
	cv::cvtColor(src, rgb_img, CV_BGR2RGB);

	struct timeval start;
	struct timeval end;
	float time_use=0;

	gettimeofday(&start,NULL); 
	fire_detect_run(ctx, rgb_img, &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);

	/* 算法結果在圖像中畫出并保存 */
	for (int i = 0; i < detect_result_group.count; i++)
	{
		fire_detect_result_t *det_result = &(detect_result_group.results[i]);
		
		/*
		if( det_result-?>prop < 0.3 )
		{
			continue;
		}
		*/

		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;
		
		char label_text[50];
		memset(label_text, 0 , sizeof(label_text));
		sprintf(label_text, "%s %0.2f",det_result->name, det_result->prop); 
		plot_one_box(src, x1, x2, y1, y2, label_text, i%10);
	}    

	cv::imwrite("result.jpg", src);	


	/* 算法模型空間釋放 */
	fire_detect_release(ctx);

	return 0;
}

審核編輯 黃宇