1.基于卷积网络的火灾场景中内容的检测方法，其特征在于，包括：获取至少一张待检测火灾场景的图像；

将待检测火灾场景的图像输入预先训练得到的火灾检测卷积网络，输出得到待检测火灾场景中各像素为各内容的概率；其中，所述烟雾检测卷积网络包括卷积层、最大池化层、上采样层和非线性激活函数；火灾场景中内容为烟、雾和火光中的至少一种。

2.根据权利要求1所述的方法，其特征在于，将待检测火灾场景的图像输入预先训练得到的火灾检测卷积网络，输出得到待检测火灾场景中各像素为各内容的概率，之前还包括：获取训练样本集；

对训练样本集进行标注；

基于训练样本集和训练样本集的标注信息，对火灾检测卷积网络进行训练。

3.根据权利要求2所述的方法，其特征在于，获取训练样本集；对训练样本集进行标注；

基于训练样本集和训练样本集的标注信息，对火灾检测卷积网络进行训练，进一步包括：获取训练样本图像；

对训练样本图像所对应的标准检测矩阵Y进行标注；将训练样本图像输入火灾检测卷积网络，获得训练检测矩阵重复执行上一步骤，通过调整火灾检测卷积网络的参数，最终使得Y与 的差异loss(θ)达到最小。

4.根据权利要求3所述的方法，其特征在于，Y与 的差异包括对应点间的差异dl和相邻点间的差异dn，其中，相邻点间的差异dn是邻接区域内所有元素标签代数和Nneighbor(yi,j)：其中，yi,j为检测矩阵中的元素，i,j是训练样本图像、检测矩阵Y和 中元素的坐标；λ为平衡dl与dn的参数；labelij为训练样本图像在i,j坐标的标注。

5.根据权利要求1至4中任一所述的方法，其特征在于，所述火灾检测卷积网络进一步用于：将输入的图像经过6个卷积层，其中前5个卷积层各层后还连接1个非线性激活函数和1个最大池化层；再经过2个全连接层fc1、fc2把图像压缩成特征向量；其中6个卷积层从上到下依次为Conv1、Conv2、Conv3、Conv4、Conv5和Conv6；前5个卷积层各层对应的最大池化层从上到下依次为Pool1、Pool2、Pool3、Pool4和Pool5；

特征向量经过上采样层dl1反卷积，再与经裁剪后的Pool4的输出合并成up1层；

up1层的输出经过上采样层dl2反卷积，并与经裁剪后的Pool3的输出合并成up2层；

up2层的输出再经过上采样层dl3反卷积，将输出的结果裁剪到与输入的图像相同的尺寸，获得检测矩阵。

6.根据权利要求1至4中任一所述的方法，其特征在于，检测矩阵中包括的元素yi,j为：yij＝fks({xsi+δi，sj+δj}) (0≤δi，δj≤k)i,j为输入图像和检测矩阵中元素的坐标；fks为操作函数，操作函数为卷积层、最大池化层、上采样层和非线性激活函数四种,k为核的大小,s为步幅stride尺寸,σ为边缘上的填充尺寸。

7.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一项所述的方法。