CN114694103B - 一种基于深度学习的烟火识别系统及方法 - Google Patents

一种基于深度学习的烟火识别系统及方法 Download PDF

Info

Publication number
CN114694103B
CN114694103B CN202210583830.6A CN202210583830A CN114694103B CN 114694103 B CN114694103 B CN 114694103B CN 202210583830 A CN202210583830 A CN 202210583830A CN 114694103 B CN114694103 B CN 114694103B
Authority
CN
China
Prior art keywords
smoke
firework
area
fire
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210583830.6A
Other languages
English (en)
Other versions
CN114694103A (zh
Inventor
于海涛
马晓亮
崔海东
冯政
于鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongjian Technology Co ltd
Original Assignee
Tongjian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongjian Technology Co ltd filed Critical Tongjian Technology Co ltd
Priority to CN202210583830.6A priority Critical patent/CN114694103B/zh
Publication of CN114694103A publication Critical patent/CN114694103A/zh
Application granted granted Critical
Publication of CN114694103B publication Critical patent/CN114694103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本申请公开了一种基于深度学习的烟火识别系统及方法，主要涉及深度学习技术领域，用以解决现有的烟火识别过程中烟火特征抽象，形体多样，特征不明显不具体等技术问题。包括：图像获取单元，用于获取预设区域对应的烟火监控图像；时序图像处理单元，用于确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件；目标检测单元，用于获得模型输出的若干疑似发生烟火事件的预测目标边框；确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件；烟火报警判定单元，用于进行烟火报警。本申请通过上述方法实现了快速定位疑似发送烟火事件的位置，提高了烟火识别精度。

Description

一种基于深度学习的烟火识别系统及方法
技术领域
本申请涉及深度学习技术领域，尤其涉及一种基于深度学习的烟火识别系统及方法。
背景技术
随着社会的发展，人们对灾难提前预防的意识正在不断的提高，需求也在逐渐地增加。比如对于火灾的预防就是我们需要的。能不能在火灾最初的时候对火灾进行提前的防护对于生命财产安全至关重要。
现阶段，进行烟火识别的主要依赖于烟火报警装置，但是由于烟火特征抽象、形态多样、特征不明显、并且实际场景中样本较少且不容易获取，容易使烟火报警装置产生误判。
因为，亟需一种基于深度学习的烟火识别系统及方法，用以解决烟火识别过程中烟火特征抽象，形体多样，特征不明显不具体的问题。
发明内容
针对现有技术的上述不足，本发明提供一种基于深度学习的烟火识别系统及方法，以解决上述技术问题。
第一方面，本申请提供了一种基于深度学习的烟火识别系统，系统包括：图像获取单元，用于基于预设获取间隔，获取预设区域对应的烟火监控图像，生成相同内容的第一检测任务和第二检测任务；时序图像处理单元，用于获取第一检测任务，计算第一检测任务对应的烟火监控图像的信噪比；当确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件，生成第二检测任务终止指令；目标检测单元，用于获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入训练好的深度学习目标检测模型，以获得模型输出的若干疑似发生烟火事件的预测目标边框；当最后输出的预测目标边框与首次输出的预测目标边框的面积比值超过预设比值阈值时，从预测目标边框中截取目标图片；烟火特征比对单元，用于将目标图片导入训练好的烟火图像特征比对模型，确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件，生成第一检测任务终止指令；烟火报警判定单元，用于在确定发生烟火事件后，进行烟火报警。
进一步地，目标检测单元包括算法训练模块；算法训练模块，用于获取烟火监控图 像和实际目标边框作为训练样本；将训练样本输入预设神经学习算法，基于训练样本对预 设神经学习算法进行训练，以确定神经学习算法对应的权重和偏置；获取预设神经学习算 法输出的预测目标边框；进而获取预测目标边框对应的第一面积和目标边框对应的第二面 积；通过损失矫正函数公式：
Figure 603114DEST_PATH_IMAGE001
；获得矫正损失值，进而完成预设神 经学习算法的训练；其中，A为第一面积和第二面积的交集面积，B为第一面积和第二面积的 并集面积，C为第一面积和第二面积的最小外接矩形面积。
进一步地，烟火特征比对单元包含烟火特征比对模块；烟火特征比对模块，用于将目标图片处理为预设尺寸图片；将预设尺寸图片，转为尺寸对应的灰度级，确定预设尺寸图片像素的灰度平均值；将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1，小于平均值，记为0；进而生成图片特征值；基于图片特征值，计算目标图片之间的相似度。
进一步地，时序图像处理单元还包括第一指令接收模块，目标检测单元还包括第二指令接收模块；第一指令接收模块，用于接收第一检测任务终止指令，并结束第一检测任务；第二指令接收模块，用于接收第二检测任务终止指令，并结束第二检测任务。
进一步地，系统还包括远程网络节点接入单元；远程网络节点接入单元，用于在检测到图像获取单元和/或时序图像处理单元和/或目标检测单元和/或烟火特征比对单元和/或烟火报警判定单元不在线时，接入远程网络节点建立自组网络，提供无线网络。
第二方面，本申请提供了一种基于深度学习的烟火识别方法，方法包括：基于预设获取间隔，获取预设区域对应的烟火监控图像，生成相同内容的第一检测任务和第二检测任务；获取第一检测任务，计算第一检测任务对应的烟火监控图像的信噪比；当确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件，生成第二检测任务终止指令；获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入训练好的深度学习目标检测模型，以获得模型输出的若干疑似发生烟火事件的预测目标边框；当最后输出的预测目标边框与首次输出的预测目标边框的面积比值超过预设比值阈值时，从预测目标边框中截取目标图片；将目标图片导入训练好的烟火图像特征比对模型，确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件，生成第一检测任务终止指令；在确定发生烟火事件后，进行烟火报警。
进一步地，在获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入 训练好的深度学习目标检测模型之前，方法还包括：获取烟火监控图像和实际目标边框作 为训练样本；将训练样本输入预设神经学习算法，基于训练样本对预设神经学习算法进行 训练，以确定神经学习算法对应的权重和偏置；获取预设神经学习算法输出的预测目标边 框；进而获取预测目标边框对应的第一面积和目标边框对应的第二面积；通过损失矫正函 数公式：
Figure 520123DEST_PATH_IMAGE001
；获得矫正损失值，进而完成预设神经学习算法的训练； 其中，A为第一面积和第二面积的交集面积，B为第一面积和第二面积的并集面积，C为第一 面积和第二面积的最小外接矩形面积。
进一步地，在确定目标图片之间的特征相似度之前，方法还包括：将目标图片处理为预设尺寸图片；将预设尺寸图片，转为尺寸对应的灰度级，确定预设尺寸图片像素的灰度平均值；将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1，小于平均值，记为0；进而生成图片特征值；基于图片特征值，计算目标图片之间的相似度。
本领域技术人员能够理解的是，本发明至少具有如下有益效果：通过图像获取单元实现了烟火监控图像的获取，将烟火监控图像生成两个相同的检测任务，实现了多种方式检测是否发生烟火事件，进而提高了烟火识别的准确性。通过时序图像处理单元实现了通过信噪比快速确定是否存在烟火事件，通过生成第二检测任务终止指令，实现了在检测到烟火事件后，能够快速终止其他检测事件的运行，此外通过检测连续的烟火监控图像的信噪比。通过目标检测单元中深度学习目标检测模型，实现了快速定位疑似发送烟火事件的位置（预测目标边框框住的位置）；此外，本申请公开的深度学习目标检测模块中涉及预测目标边框的损失矫正，通过多次训练算法，获得预测目标边框与实际目标边框之间的矫正损失值，大幅提高了算法的预测精度。另外，本申请公开的烟火特征比对单元，通过计算目标图片之间的特征相似度，进一步提高了烟火识别精度，且本申请公开的特征相似度计算方法不同于现有的直接通过像素比对进而计算图片相似度的方法，而是通过计算图片特征值，进行图像相似度的计算，解决了烟火识别过程中烟火特征抽象，形体多样，特征不明显不具体的问题。
附图说明
下面参照附图来描述本公开的部分实施例，附图中：
图1是本申请实施例提供的一种基于深度学习的烟火识别系统内部结构示意图。
图2是本申请实施例提供的一种基于深度学习的烟火识别方法流程图。
具体实施方式
本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种基于深度学习的烟火识别系统。如图1所示，本申请实施例提供的烟火识别系统，主要包括：图像获取单元110、时序图像处理单元120、目标检测单元130、烟火特征比对单元140、烟火报警判定单元150。
其中，图像获取单元110为任意可行的能够进行图像获取的设备或装置等，主要用于基于预设获取间隔，获取预设区域对应的烟火监控图像，生成相同内容的第一检测任务和第二检测任务。
需要说明的是，预设获取间隔可以是任意可行的间隔，例如1s。第一检测任务和第二检测任务内容相同且至少包含若干烟火监控图像及各个图像的获取时间。
作为示例地，图像获取单元110获取烟火监控摄像头下图像（烟火监控图像），获取图像间隔为1秒1张。
其中，时序图像处理单元120为任意可行的能够进行数据获取的设备或装置等，主要用于获取第一检测任务，计算第一检测任务对应的烟火监控图像的信噪比；当确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件，生成第二检测任务终止指令。
作为示例地，时序图像处理单元120，用于存储前10帧图像采集单元获取的图像，计算每张图像信噪比。根据信噪比的连续序列判断疑似烟火的场景。若信噪比连续变化则判定发生烟火事件。
此外，时序图像处理单元120还可以终止第一检测任务。作为示例地，时序图像处理单元120还包括第一指令接收模块121；第一指令接收模块121，用于接收第一检测任务终止指令，并结束第一检测任务。
其中，目标检测单元130为任意可行的能够进行目标检测的设备或装置等，主要用于获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入训练好的深度学习目标检测模型，以获得模型输出的若干疑似发生烟火事件的预测目标边框；当最后输出的预测目标边框与首次输出的预测目标边框的面积比值超过预设比值阈值时，从预测目标边框中截取目标图片。
需要说明的是，深度学习目标检测模型中包含训练好的预设神经学习算法。预设比值阈值可以为任意可行的数值，例如2。
作为示例地，目标检测单元130包含深度学习目标检测模型，模型为提前训练的烟火检测最优模型。模型可检测烟火监控摄像头下发生烟火的位置。作为示例地，模型检测同一监控摄像头拍摄的时序连续的多张图像的烟火位置，该烟火位置在检测时使用预测目标边框框住。当检测到随着时序变化，该烟火位置（预测目标边框）的IOU（Intersection overUnion）增大变化为初次检测的1倍及以上时，确定存在异常烟火，截取疑似发生烟火的位置/烟火疑似区域（即，目标图片）。
此外，目标检测单元130选了预设神经学习算法的技术方案可以为：目标检测单元 130包括算法训练模块131；算法训练模块131，用于获取烟火监控图像和实际目标边框作为 训练样本；将训练样本输入预设神经学习算法，基于训练样本对预设神经学习算法进行训 练，以确定神经学习算法对应的权重和偏置；获取预设神经学习算法输出的预测目标边框； 进而获取预测目标边框对应的第一面积和目标边框对应的第二面积；通过损失矫正函数公 式：
Figure 454581DEST_PATH_IMAGE001
；获得矫正损失值，进而完成预设神经学习算法的训练；其中， A为第一面积和第二面积的交集面积，B为第一面积和第二面积的并集面积，C为第一面积和 第二面积的最小外接矩形面积。
此外，目标检测单元130还可以终止第二检测任务。作为示例地，目标检测单元130还包括第二指令接收模块132；第二指令接收模块132，用于接收第二检测任务终止指令，并结束第二检测任务。
其中，烟火特征比对单元140为任意可行的能够进行图片特征比对的设备或装置等，主要用于将目标图片导入训练好的烟火图像特征比对模型，确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件，生成第一检测任务终止指令。
需要说明的是，预设特征阈值可以为任意可行的数值。
具体可以为，烟火特征比对单元140包含提前训练好的的烟火图像特征比对模型，负责对烟火疑似区域（目标图片）进行比对。若连续多张（例如，3张）烟火图像特征对比相似度均大于0.8，则判定发生烟火事件。
作为示例地，烟火特征比对单元140包含烟火特征比对模块141；烟火特征比对模块141，用于将目标图片处理为预设尺寸图片；例如：8*8；将预设尺寸图片，转为尺寸对应的灰度级（8*8对应的灰度级为64级），确定预设尺寸图片像素的灰度平均值；将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1，小于平均值，记为0；进而生成图片特征值；基于图片特征值，计算目标图片之间的相似度。
其中，烟火报警判定单元150，用于在确定发生烟火事件后，进行烟火报警。
此外，本申请还能够在检测到图像获取单元110和/或时序图像处理单元120和/或目标检测单元130和/或烟火特征比对单元140和/或烟火报警判定单元150不在线时，提供自建网络。
作为示例地，系统还包括远程网络节点接入单元160；远程网络节点接入单元160，用于在检测到图像获取单元110和/或时序图像处理单元120和/或目标检测单元130和/或烟火特征比对单元140和/或烟火报警判定单元150不在线时，接入远程网络节点建立自组网络，提供无线网络。
除此之外，本申请实施例还提供了一种基于深度学习的烟火识别方法，如图2所示，本申请实施例提供的烟火识别方法，主要包括以下步骤：
步骤210、基于预设获取间隔，获取预设区域对应的烟火监控图像，生成相同内容的第一检测任务和第二检测任务。
步骤220、获取第一检测任务，计算第一检测任务对应的烟火监控图像的信噪比；当确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件，生成第二检测任务终止指令。
步骤230、获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入训练好的深度学习目标检测模型，以获得模型输出的若干疑似发生烟火事件的预测目标边框；当最后输出的预测目标边框与首次输出的预测目标边框的面积比值超过预设比值阈值时，从预测目标边框中截取目标图片。
作为示例地，在获取第二检测任务，将第二检测任务对应的若干烟火监控图像输 入训练好的深度学习目标检测模型之前，方法还可以包括：获取烟火监控图像和实际目标 边框作为训练样本；将训练样本输入预设神经学习算法，基于训练样本对预设神经学习算 法进行训练，以确定神经学习算法对应的权重和偏置；获取预设神经学习算法输出的预测 目标边框；进而获取预测目标边框对应的第一面积和目标边框对应的第二面积；通过损失 矫正函数公式：
Figure 916786DEST_PATH_IMAGE001
；获得矫正损失值，进而完成预设神经学习算法的 训练；其中，A为第一面积和第二面积的交集面积，B为第一面积和第二面积的并集面积，C为 第一面积和第二面积的最小外接矩形面积。
步骤240、将目标图片导入训练好的烟火图像特征比对模型，确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件，生成第一检测任务终止指令.
作为示例地，在确定目标图片之间的特征相似度之前，方法还可以包括：将目标图片处理为预设尺寸图片；将预设尺寸图片，转为尺寸对应的灰度级，确定预设尺寸图片像素的灰度平均值；将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1，小于平均值，记为0；进而生成图片特征值；基于图片特征值，计算目标图片之间的相似度。
步骤250、在确定发生烟火事件后，进行烟火报警。
至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同地更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。

Claims (6)

1.一种基于深度学习的烟火识别系统，其特征在于，所述系统包括：
图像获取单元，用于基于预设获取间隔，获取预设区域对应的烟火监控图像，生成相同内容的第一检测任务和第二检测任务；
时序图像处理单元，用于获取第一检测任务，计算第一检测任务对应的烟火监控图像的信噪比；当确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件，生成第二检测任务终止指令；
目标检测单元，用于获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入训练好的深度学习目标检测模型，以获得模型输出的若干疑似发生烟火事件的预测目标边框；当最后输出的预测目标边框与首次输出的预测目标边框的面积比值超过预设比值阈值时，从预测目标边框中截取目标图片；
所述目标检测单元包括算法训练模块；
所述算法训练模块，用于获取烟火监控图像和实际目标边框作为训练样本；将所述训 练样本输入预设神经学习算法，基于所述训练样本对预设神经学习算法进行训练，以确定 所述神经学习算法对应的权重和偏置；获取预设神经学习算法输出的预测目标边框；进而 获取所述预测目标边框对应的第一面积和目标边框对应的第二面积；通过损失矫正函数公 式：
Figure 51658DEST_PATH_IMAGE001
；获得矫正损失值，进而完成预设神经学习算法的训练；
其中，A为第一面积和第二面积的交集面积，B为第一面积和第二面积的并集面积，C为第一面积和第二面积的最小外接矩形面积；
烟火特征比对单元，用于将目标图片导入训练好的烟火图像特征比对模型，确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件，生成第一检测任务终止指令；
烟火报警判定单元，用于在确定发生烟火事件后，进行烟火报警。
2.根据权利要求1所述的基于深度学习的烟火识别系统，其特征在于，所述烟火特征比对单元包含烟火特征比对模块；
所述烟火特征比对模块，用于将目标图片处理为预设尺寸图片；将预设尺寸图片，转为尺寸对应的灰度级，确定预设尺寸图片像素的灰度平均值；将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1，小于平均值，记为0；进而生成图片特征值；基于所述图片特征值，计算目标图片之间的相似度。
3.根据权利要求1所述的基于深度学习的烟火识别系统，其特征在于，所述时序图像处理单元还包括第一指令接收模块，所述目标检测单元还包括第二指令接收模块；
所述第一指令接收模块，用于接收第一检测任务终止指令，并结束第一检测任务；
所述第二指令接收模块，用于接收第二检测任务终止指令，并结束第二检测任务。
4.根据权利要求1所述的基于深度学习的烟火识别系统，其特征在于，所述系统还包括远程网络节点接入单元；
所述远程网络节点接入单元，用于在检测到图像获取单元和/或时序图像处理单元和/或目标检测单元和/或烟火特征比对单元和/或烟火报警判定单元不在线时，接入远程网络节点建立自组网络，提供无线网络。
5.一种基于深度学习的烟火识别方法，其特征在于，所述方法包括：
基于预设获取间隔，获取预设区域对应的烟火监控图像，生成相同内容的第一检测任务和第二检测任务；
获取第一检测任务，计算第一检测任务对应的烟火监控图像的信噪比；当确定在预设时间段内的烟火监控图像对应的信噪比连续变化时，确定发生烟火事件，生成第二检测任务终止指令；
获取烟火监控图像和实际目标边框作为训练样本；将所述训练样本输入预设神经学习 算法，基于所述训练样本对预设神经学习算法进行训练，以确定所述神经学习算法对应的 权重和偏置；获取预设神经学习算法输出的预测目标边框；进而获取所述预测目标边框对 应的第一面积和目标边框对应的第二面积；通过损失矫正函数公式：
Figure 362554DEST_PATH_IMAGE001
；获得矫正损失值，进而完成预设神经学习算法的训练；其中，A为 第一面积和第二面积的交集面积，B为第一面积和第二面积的并集面积，C为第一面积和第 二面积的最小外接矩形面积；
获取第二检测任务，将第二检测任务对应的若干烟火监控图像输入训练好的深度学习目标检测模型，以获得模型输出的若干疑似发生烟火事件的预测目标边框；当最后输出的预测目标边框与首次输出的预测目标边框的面积比值超过预设比值阈值时，从预测目标边框中截取目标图片；
将目标图片导入训练好的烟火图像特征比对模型，确定目标图片之间的特征相似度；当若干连续的目标图片之间的特质相似度大于预设特征阈值时，确定发生烟火事件，生成第一检测任务终止指令；
在确定发生烟火事件后，进行烟火报警。
6.根据权利要求5所述的基于深度学习的烟火识别方法，其特征在于，在确定目标图片之间的特征相似度之前，所述方法还包括：
将目标图片处理为预设尺寸图片；将预设尺寸图片，转为尺寸对应的灰度级，确定预设尺寸图片像素的灰度平均值；将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1，小于平均值，记为0；进而生成图片特征值；基于所述图片特征值，计算目标图片之间的相似度。
CN202210583830.6A 2022-05-27 2022-05-27 一种基于深度学习的烟火识别系统及方法 Active CN114694103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210583830.6A CN114694103B (zh) 2022-05-27 2022-05-27 一种基于深度学习的烟火识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210583830.6A CN114694103B (zh) 2022-05-27 2022-05-27 一种基于深度学习的烟火识别系统及方法

Publications (2)

Publication Number Publication Date
CN114694103A CN114694103A (zh) 2022-07-01
CN114694103B true CN114694103B (zh) 2022-10-18

Family

ID=82145681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210583830.6A Active CN114694103B (zh) 2022-05-27 2022-05-27 一种基于深度学习的烟火识别系统及方法

Country Status (1)

Country Link
CN (1) CN114694103B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015197788A (ja) * 2014-04-01 2015-11-09 能美防災株式会社 層流煙検出装置および層流煙検出方法
CN105788142A (zh) * 2016-05-11 2016-07-20 中国计量大学 一种基于视频图像处理的火灾检测系统及检测方法
CN111680632A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习卷积神经网络的烟火检测方法及系统
CN113192038A (zh) * 2021-05-07 2021-07-30 北京科技大学 基于深度学习的已有火焰环境中异常烟火识别监测方法
CN113989488A (zh) * 2021-10-20 2022-01-28 青岛浩海网络科技股份有限公司 一种基于视频监控的烟火点定位方法
CN114463926A (zh) * 2020-10-22 2022-05-10 北京鸿享技术服务有限公司 火灾检测方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814638B (zh) * 2020-06-30 2024-04-30 成都睿沿科技有限公司 基于深度学习的安防场景火焰检测方法
CN112699801B (zh) * 2020-12-30 2022-11-11 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) 基于视频图像的火灾识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015197788A (ja) * 2014-04-01 2015-11-09 能美防災株式会社 層流煙検出装置および層流煙検出方法
CN105788142A (zh) * 2016-05-11 2016-07-20 中国计量大学 一种基于视频图像处理的火灾检测系统及检测方法
CN111680632A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习卷积神经网络的烟火检测方法及系统
CN114463926A (zh) * 2020-10-22 2022-05-10 北京鸿享技术服务有限公司 火灾检测方法、装置、设备及存储介质
CN113192038A (zh) * 2021-05-07 2021-07-30 北京科技大学 基于深度学习的已有火焰环境中异常烟火识别监测方法
CN113989488A (zh) * 2021-10-20 2022-01-28 青岛浩海网络科技股份有限公司 一种基于视频监控的烟火点定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Forest Smoke Detection Using CCD Camera and Spatial-temporal Variation of Smoke Visual Patterns;Joon Young Kwak et al;《 2011 Eighth International Conference Computer Graphics, Imaging and Visualization》;20111020;141-144 *
基于深度学习的烟火检测问题研究;刘振;《中国优秀硕士学位论文全文数据库（电子期刊）》;20220515;全文 *

Also Published As

Publication number Publication date
CN114694103A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN112287816B (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
US10713798B2 (en) Low-complexity motion detection based on image edges
US7925093B2 (en) Image recognition apparatus
EP2747431B1 (en) Device and method for detecting whether camera is interfered with, and video monitoring system
CN116416577B (zh) 一种用于施工监控系统的异常识别方法
EP2000998B1 (en) Flame detecting method and device
CN109034038B (zh) 一种基于多特征融合的火灾识别装置
JP4999794B2 (ja) 静止領域検出方法とその装置、プログラム及び記録媒体
CN103456009A (zh) 目标检测方法与装置、监控系统
CN113012383A (zh) 火灾检测报警方法、相关系统、相关设备及存储介质
CN110428579B (zh) 基于图像识别的室内监控系统、方法及装置
KR102233679B1 (ko) Ess 침입자 및 화재 감지 장치 및 방법
CN209433517U (zh) 一种基于多火焰图像与组合判据的火灾识别报警装置
US8842178B2 (en) Supervising system for image
CN114694103B (zh) 一种基于深度学习的烟火识别系统及方法
CN116092198B (zh) 一种矿用安全帽识别检测方法、装置、设备及介质
KR102081577B1 (ko) Cctv를 활용한 지능형 화재 감지 시스템
CN111062313A (zh) 一种图像识别方法、装置、监控系统及存储介质
CN116703755A (zh) 用于医疗废弃物冷库的遗漏风险监控系统
CN110120142B (zh) 一种火灾烟雾视频智能监控预警系统及预警方法
CN111382646A (zh) 一种活体识别方法、存储介质及终端设备
KR20070028812A (ko) 카메라 영상을 이용한 산불 감지 방법 및 장치
CN115049988A (zh) 一种用于配电网监测及预判的边缘计算方法及装置
JP6124739B2 (ja) 画像センサ
JPH04111079A (ja) 移動体識別装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A fireworks recognition system and method based on deep learning

Effective date of registration: 20231018

Granted publication date: 20221018

Pledgee: Tai'an Caixin Industrial Co.,Ltd.

Pledgor: Tongjian Technology Co.,Ltd.

Registration number: Y2023980061605