CN109637068A - 智能烟火识别系统 - Google Patents
智能烟火识别系统 Download PDFInfo
- Publication number
- CN109637068A CN109637068A CN201811408487.1A CN201811408487A CN109637068A CN 109637068 A CN109637068 A CN 109637068A CN 201811408487 A CN201811408487 A CN 201811408487A CN 109637068 A CN109637068 A CN 109637068A
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- smog
- video
- module
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012552 review Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000036760 body temperature Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 14
- 239000000779 smoke Substances 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 235000019504 cigarettes Nutrition 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 239000003595 mist Substances 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 239000008264 cloud Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种变电站消防系统；具体涉及一种智能烟火识别系统，包括设备本体温度感知模块、环境火灾探测模块、视频火灾智能识别及信息复核模块和监控主机，所述设备本体温度感知模块用于测量变电站设备的温度；所述环境火灾探测模块对其覆盖区域进行火灾检测；所述视频火灾智能识别及信息复核模块对变电站易发生火灾的区域进行实时监控并提取关键区域的视频信息进行智能识别分析，同时与环境火灾探测模块监测结果进行相互复核；所述监控主机对上述三个模块采集的信息进行采集集成及信息复核，并发送应急处置决策。本发明实现火患的自动识别，扩大变电站火灾监测范围，降低火灾事故扩大的可能性。
Description
技术领域
本发明涉及一种变电站消防系统；具体涉及一种智能烟火识别系统。
背景技术
目前，大多数变电站均部署了火灾报警系统，在一定程度上对变电站火灾事故起到了一定的告警作用。火灾报警系统主要有感烟式探头等传感器及火灾报警主机组成，在实际运行中火灾探测点位覆盖程度不一；对于户外运行设备，无法通过传统火灾探测器进行监测，存在监测盲区；对于不易起烟甚至无烟的火灾类型，传统感烟探测器很难发现火灾隐患，无法及时告警；现有火灾报警信号存在误报问题，例如室内有施工作业产生扬尘时，容易引发烟雾对射传感器误告警；常规火灾报警信号告警后，运维人员缺乏二次复核手段，只能现场确认或直接联动设备处置。所有这些都将影响运行人员的正确判断，给设备安全运行和事故发生时的及时处理带来一定困难。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种智能烟火识别系统，自动提取烟火系统，实现火患的自动识别，扩大变电站火灾监测范围，降低火灾事故扩大的可能性。
本发明为解决其技术问题所采用的技术方案为：
所述智能烟火识别系统，包括设备本体温度感知模块、环境火灾探测模块、视频火灾智能识别及信息复核模块和监控主机，其中，
所述设备本体温度感知模块用于测量变电站设备的温度；
所述环境火灾探测模块对其覆盖区域进行火灾检测；
所述视频火灾智能识别及信息复核模块对变电站易发生火灾的区域进行实时监控并提取关键区域的视频信息进行智能识别分析，同时与环境火灾探测模块监测结果进行相互复核；
所述监控主机对上述三个模块采集的信息进行采集集成及信息复核，并发送应急处置决策。
其中，优选方案为：
所述设备本体温度感知模块包括红外测温传感器和光纤测温传感器，所述红外测温传感器设于变电站的高压室开关柜内，对电缆夹层内的线缆采用分布式光纤测温传感器进行测温。
所述环境火灾探测模块采用烟雾探测器、烟雾对射传感器和手动报警按钮，直接采用了传统的环境火灾探测模块。
所述视频火灾智能识别及信息复核模块工作流程为：
一、从视频火灾智能识别及信息复核模块采集的视频信息中提取帧图片，对提取的单帧图片进行分割，划分为相同大小的图像块；
二、根据烟火产生之后便会一直处于运动状态的这一运动特性进行背景图像建模，提取运动物体，把包含运动物体区域的小图像块提取出来；
三、将提取到的包含运动物体区域的小图像块作为识别候选区域；
四、结合RGB判据进行识别候选区域的火焰静态特征识别；
五、在第四步识别出的图像区域中根据HSV判据进行烟雾静态特征识别；
六、在第五步识别出的图像区域中，采用运动趋势检测算法进行烟雾动态特征识别；
七、符合烟雾动态特征的区域即识别的烟火区域。
所述背景图像建模方法为：
S21:利用收集到的前N帧图像的像素值推算出GMM的概率分布，GMM的概率分布计算
公式为：
式中，x表示数据集，K表示高斯分布的个数，μk为均值,∑k为方差，πk表示混和加权
值，πk满足0≦πk≦1和N(x|μk,∑k)表示多元高斯分布，
其中，μk、∑k、πk三个参数是未知的，通过最大似然估计来确定，GMM的最大似然函数公式(2)所示：
最后使用最大期望算法计算其中的参数：
其中公式(3)中，γ(i,k)表示第i个数据由第k个组件生产的概率；
S22:从第N+1帧开始检测，判断该图像中的每一个像素点与构建好的k个高斯模型是否相匹配，如果匹配不成功则判定为前景点，否则为背景点。
高斯混合模型(Gaussian Mixture Model,GMM)在背景滤除(BackgroundSubtraction) 的研究上是一种常用的建立背景图像模型的方法，背景图像的像素值一般不会是真正固定不变的，造成背景像素值的变动的原因包括两大类，分别是：
1)物体的移动，包括背景图像中物体的移动，如风吹动树枝的移动，人和动物的走动，飘动的云等，也包括摄像机自身的晃动所造成的变化。
2)亮度的变化，在静止的影像中，即时影像中的物体没有发生移动，外界环境中光线的变化同样可以引起背景像素值的改变，如阳光的直射，灯光的闪烁，其他物体对光线的遮挡等。这些改变造成的像素一般会在原来的像素值附近做小幅度的变动，其分布情况和高斯分布很接近，所以非常适合使用高斯分布区模型化背景像素值的分布。但是在很多情况下像素值的分布并不只是在一个值附近变动，而是在多个值附近做变动，如摇曳的树叶，闪烁的湖面或者随着光线的移动所造成的阴影的改变等情况。所以采用多个高斯分布来对背景模型化是一种比较合理的方式。
所述火焰静态特征识别方法为：
将原图二值化，经过中值滤波以及数学形态学的膨胀运算消除图片的一些噪声及离散点，连通一些遗漏的区域，识别候选区域的火焰部分红色分量R和绿色分量G很大，并且绿色分量G会大于蓝色分量B，RGB判据的具体条件是：
rule1:R≥G≥B
rule2:R≥RT
rule3：S≥((255-R）*ST/RT)
其中，RT是红色分量阈值，ST是饱和度阈值，若满足上式判据条件，则判断该位置为火焰像素，显示为白色，否则显示为黑色。任何RGB图像中只要满足R>＝G且G>B的颜色都可以看作是火焰。虽然这种模型的误报会很多，但可以作为最初始的筛选手段排除掉最不可能是火焰的物体，判据中阈值的选择对于火焰检测是至关重要的，一般靠经验设定，为了获取火焰识别最好的效果，设置两个滑动条，改变红色分量阈值RT和饱和度阈值ST的大小，选取最合适的值。
所述烟雾静态特征识别方法为：
在HSV颜色模型中，H代表色调，反应图像的颜色，S代表饱和度，反应图像颜色的鲜艳程度，V代表亮度，使用当前视频帧的前50帧亮度值V的平均值作为亮度阈值，如果识别候选区域的平均亮度值大于阈值且饱和度S低于70则认为该区域是烟雾的候选区域。
烟雾在颜色上没有像火焰样存在明显的分布且颜色与烟雾的浓度有直接关系。淡淡的烟是半透明的，可以看到其后面的物体，而浓烟是灰黑的，完全挡住了后面的事物。然而，无论烟雾浓淡，它都会使后面的事物变得模糊，甚至被完全遮挡。我们通过像素的对比度变化判断烟雾的有无。考虑到烟雾的出现会使图片变得比较模糊，同时烟雾区域一般比较白，反应在HSV颜色模型中，饱和度S比较低，明度V在烟雾出现前和出现后会相对有所提升。烟雾会降低背景的饱和度，考虑到烟雾比较薄时不能覆盖背景，烟雾的半透明特性确实有此效果，但是当烟雾比较浓是可以完全覆盖背景区域，所以选择的烟雾特征主要是针对烟雾自身的颜色特征。
所述运动趋势检测算法具体流程为：
将视频火灾智能识别及信息复核模块采集的视频中的运动趋势分为八个方向，以水平向右为0度方向，逆时针顺序，每个方向的间隔为45度，然后以正右方为1号方向，逆时针依次分别为每个方向进行编号，3号方向表示正上方，7号方向表示正下方，分别计算当前帧图片中心图像和下一帧图像中对应位置的八邻域图像的差异大小，然后选取差异值最小的位置，即为中心图像的运动趋势。
烟雾的动态特征是烟雾区别于其他事物的重要特征。它具备以下特点：首先，烟雾以扩散的形式变化，可以假想存在一个或几个烟雾发生点，烟雾围绕这些点扩散开去；其次，与火焰类似烟雾的边界变化也存在一个3Hz的频率；烟雾的轮廓是清晰画面与被烟雾模糊画面的交界；最后，烟雾的运动是连续而且是非刚性的。根据这些特点来区别烟雾和其他运动物体。由于烟雾是由燃烧产生的，当燃料燃烧时产生的高温会使空气形成对流，导致带有烟雾的热空气上升，所以烟雾产生之后一般都会有一个向上运动的趋势，这也是区别烟雾和云、雾的主要特征。基于视频块的运动趋势检测，是利用视频的相邻帧之间图像变化程度较小的特点判断烟雾的运动趋势。烟雾虽然是在不断变化的，但是在间隔帧数较少的图像中，烟雾的形状变化产生的差异并不会很大，也就是说，当帧间隔不大时在烟雾运动的趋势上烟雾的形状会比较相近。基于烟雾图像的这个特点，同时基于平移的块运动模型的运动趋势检测算法运算量较小，能够满足实时计算的需要。
通过以上步骤可以准确的识别出视频画面中的烟火图像，当然要想实现精准的分析结果，还需要根据现场场景进行亮度，对比度的调整，以实际场景进行校正。为进一步准确地识别出烟火，可将识别出的区域图像输入到训练好的卷积神经网络中进行识别分类，把经过模型验证确认的隐患区域在原视频中的位置进行标记，作为系统检测识别出来的烟火区域，完成烟火识别。
与现有技术相比，本发明具有以下有益效果：
本发明在变电站搭载温度检测设备和环境火灾探测模块，针对不同设备采用特定的本体温度感知方式，实时监测易发热设备、易发热结构的温度信息，在尚未发生火灾时提前预警温度上升态势，由环境火灾探测模块感知环境火情信息，并结合视频火灾智能识别及信息复核模块烟火信息进行人工智能识别分析，使变电站视频监控系统具备烟火信息主动提取、智能识别功能，扩大变电站火灾监测范围，，降低火灾事故扩大的可能性。
具体实施方式
本发明所述智能烟火识别系统，包括设备本体温度感知模块、环境火灾探测模块、视频火灾智能识别及信息复核模块和监控主机，其中，
所述设备本体温度感知模块用于测量变电站设备的温度；
所述环境火灾探测模块对其覆盖区域进行火灾检测；
所述视频火灾智能识别及信息复核模块对变电站易发生火灾的区域进行实时监控并提取关键区域的视频信息进行智能识别分析，同时与环境火灾探测模块监测结果进行相互复核；
所述监控主机对上述三个模块采集的信息进行采集集成及信息复核，并发送应急处置决策。
其中，设备本体温度感知模块包括红外测温传感器和光纤测温传感器，所述红外测温传感器设于变电站的高压室开关柜内，对电缆夹层内的线缆采用分布式光纤测温传感器进行测温。
所述环境火灾探测模块采用烟雾探测器、烟雾对射传感器和手动报警按钮，直接采用了传统的环境火灾探测模块。
所述视频火灾智能识别及信息复核模块工作流程为：
一、从视频火灾智能识别及信息复核模块采集的视频信息中提取帧图片，对提取的单帧图片进行分割，划分为相同大小的图像块；
二、根据烟火产生之后便会一直处于运动状态的这一运动特性进行背景图像建模，提取运动物体，把包含运动物体区域的小图像块提取出来；
三、将提取到的包含运动物体区域的小图像块作为识别候选区域；
四、结合RGB判据进行识别候选区域的火焰静态特征识别；
五、在第四步识别出的图像区域中根据HSV判据进行烟雾静态特征识别；
六、在第五步识别出的图像区域中，采用运动趋势检测算法进行烟雾动态特征识别；
七、符合烟雾动态特征的区域即识别的烟火区域。
所述背景图像建模方法为：
S21:利用收集到的前N帧图像的像素值推算出GMM的概率分布，GMM的概率分布计算
公式为：
式中，x表示数据集，K表示高斯分布的个数，μk为均值,∑k为方差，πk表示混和加权
值，πk满足0≦πk≦1和N(x|μk,∑k)表示多元高斯分布，
其中，μk、∑k、πk三个参数是未知的，通过最大似然估计来确定，GMM的最大似然函数公式(2)所示：
最后使用最大期望算法计算其中的参数：
其中公式(3)中，γ(i,k)表示第i个数据由第k个组件生产的概率；
S22:从第N+1帧开始检测，判断该图像中的每一个像素点与构建好的k个高斯模型是否相匹配，如果匹配不成功则判定为前景点，否则为背景点。
高斯混合模型(Gaussian Mixture Model,GMM)在背景滤除(BackgroundSubtraction) 的研究上是一种常用的建立背景图像模型的方法，背景图像的像素值一般不会是真正固定不变的，造成背景像素值的变动的原因包括两大类，分别是：
1)物体的移动，包括背景图像中物体的移动，如风吹动树枝的移动，人和动物的走动，飘动的云等，也包括摄像机自身的晃动所造成的变化。
2)亮度的变化，在静止的影像中，即时影像中的物体没有发生移动，外界环境中光线的变化同样可以引起背景像素值的改变，如阳光的直射，灯光的闪烁，其他物体对光线的遮挡等。这些改变造成的像素一般会在原来的像素值附近做小幅度的变动，其分布情况和高斯分布很接近，所以非常适合使用高斯分布区模型化背景像素值的分布。但是在很多情况下像素值的分布并不只是在一个值附近变动，而是在多个值附近做变动，如摇曳的树叶，闪烁的湖面或者随着光线的移动所造成的阴影的改变等情况。所以采用多个高斯分布来对背景模型化是一种比较合理的方式。
所述火焰静态特征识别方法为：
将原图二值化，经过中值滤波以及数学形态学的膨胀运算消除图片的一些噪声及离散点，连通一些遗漏的区域，识别候选区域的火焰部分红色分量R和绿色分量G很大，并且绿色分量G会大于蓝色分量B，RGB判据的具体条件是：
rule1:R≥G≥B
rule2：R≥RT
rule3：S≥（(255-R)*ST/RT)
其中，RT是红色分量阈值，ST是饱和度阈值，若满足上式判据条件，则判断该位置为火焰像素，显示为白色，否则显示为黑色。任何RGB图像中只要满足R>＝G且G>B的颜色都可以看作是火焰。虽然这种模型的误报会很多，但可以作为最初始的筛选手段排除掉最不可能是火焰的物体，判据中阈值的选择对于火焰检测是至关重要的，一般靠经验设定，为了获取火焰识别最好的效果，设置两个滑动条，改变红色分量阈值RT和饱和度阈值ST的大小，选取最合适的值。
所述烟雾静态特征识别方法为：
在HSV颜色模型中，H代表色调，反应图像的颜色，S代表饱和度，反应图像颜色的鲜艳程度，V代表亮度，使用当前视频帧的前50帧亮度值V的平均值作为亮度阈值，如果识别候选区域的平均亮度值大于阈值且饱和度S低于70则认为该区域是烟雾的候选区域。
烟雾在颜色上没有像火焰样存在明显的分布且颜色与烟雾的浓度有直接关系。淡淡的烟是半透明的，可以看到其后面的物体，而浓烟是灰黑的，完全挡住了后面的事物。然而，无论烟雾浓淡，它都会使后面的事物变得模糊，甚至被完全遮挡。我们通过像素的对比度变化判断烟雾的有无。考虑到烟雾的出现会使图片变得比较模糊，同时烟雾区域一般比较白，反应在HSV颜色模型中，饱和度S比较低，明度V在烟雾出现前和出现后会相对有所提升。烟雾会降低背景的饱和度，考虑到烟雾比较薄时不能覆盖背景，烟雾的半透明特性确实有此效果，但是当烟雾比较浓是可以完全覆盖背景区域，所以选择的烟雾特征主要是针对烟雾自身的颜色特征。
所述运动趋势检测算法具体流程为：
将视频火灾智能识别及信息复核模块采集的视频中的运动趋势分为八个方向，以水平向右为0度方向，逆时针顺序，每个方向的间隔为45度，然后以正右方为1号方向，逆时针依次分别为每个方向进行编号，3号方向表示正上方，7号方向表示正下方，分别计算当前帧图片中心图像和下一帧图像中对应位置的八邻域图像的差异大小，然后选取差异值最小的位置，即为中心图像的运动趋势。
烟雾的动态特征是烟雾区别于其他事物的重要特征。它具备以下特点：首先，烟雾以扩散的形式变化，可以假想存在一个或几个烟雾发生点，烟雾围绕这些点扩散开去；其次，与火焰类似烟雾的边界变化也存在一个3Hz的频率；烟雾的轮廓是清晰画面与被烟雾模糊画面的交界；最后，烟雾的运动是连续而且是非刚性的。根据这些特点来区别烟雾和其他运动物体。由于烟雾是由燃烧产生的，当燃料燃烧时产生的高温会使空气形成对流，导致带有烟雾的热空气上升，所以烟雾产生之后一般都会有一个向上运动的趋势，这也是区别烟雾和云、雾的主要特征。基于视频块的运动趋势检测，是利用视频的相邻帧之间图像变化程度较小的特点判断烟雾的运动趋势。烟雾虽然是在不断变化的，但是在间隔帧数较少的图像中，烟雾的形状变化产生的差异并不会很大，也就是说，当帧间隔不大时在烟雾运动的趋势上烟雾的形状会比较相近。基于烟雾图像的这个特点，同时基于平移的块运动模型的运动趋势检测算法运算量较小，能够满足实时计算的需要。
通过以上步骤可以准确的识别出视频画面中的烟火图像，当然要想实现精准的分析结果，还需要根据现场场景进行亮度，对比度的调整，以实际场景进行校正。为进一步准确地识别出烟火，可将识别出的区域图像输入到训练好的卷积神经网络中进行识别分类，把经过模型验证确认的隐患区域在原视频中的位置进行标记，作为系统检测识别出来的烟火区域，完成烟火识别。
Claims (8)
1.一种智能烟火识别系统，其特征在于，包括设备本体温度感知模块、环境火灾探测模块、视频火灾智能识别及信息复核模块和监控主机，其中，
所述设备本体温度感知模块用于测量变电站设备的温度；
所述环境火灾探测模块对其覆盖区域进行火灾检测；
所述视频火灾智能识别及信息复核模块对变电站易发生火灾的区域进行实时监控并提取关键区域的视频信息进行智能识别分析，同时与环境火灾探测模块监测结果进行相互复核；
所述监控主机对上述三个模块采集的信息进行采集集成及信息复核，并发送应急处置决策。
2.根据权利要求1所述的智能烟火识别系统，其特征在于，所述设备本体温度感知模块包括红外测温传感器和光纤测温传感器，所述红外测温传感器设于变电站的高压室开关柜内，对电缆夹层内的线缆采用分布式光纤测温传感器进行测温。
3.根据权利要求1所述的智能烟火识别系统，其特征在于，所述环境火灾探测模块采用烟雾探测器、烟雾对射传感器和手动报警按钮。
4.根据权利要求1所述的智能烟火识别系统，其特征在于，所述视频火灾智能识别及信息复核模块工作流程为：
一、从视频火灾智能识别及信息复核模块采集的视频信息中提取帧图片，对提取的单帧图片进行分割，划分为相同大小的图像块；
二、根据烟火产生之后便会一直处于运动状态的这一运动特性进行背景图像建模，提取运动物体，把包含运动物体区域的小图像块提取出来；
三、将提取到的包含运动物体区域的小图像块作为识别候选区域；
四、结合RGB判据进行识别候选区域的火焰静态特征识别；
五、在第四步识别出的图像区域中根据HSV判据进行烟雾静态特征识别；
六、在第五步识别出的图像区域中，采用运动趋势检测算法进行烟雾动态特征识别；
七、符合烟雾动态特征的区域即识别的烟火区域。
5.根据权利要求4所述的智能烟火识别系统，其特征在于，所述背景图像建模方法为：
S21:利用收集到的前N帧图像的像素值推算出GMM的概率分布，GMM的概率分布计算公式为：
式中，x表示数据集，K表示高斯分布的个数，μk为均值,∑k为方差，πk表示混和加权值，πk满足0≦πk≦1和N(x|μk,∑k)表示多元高斯分布，
其中，μk、∑k、πk三个参数是未知的，通过最大似然估计来确定，GMM的最大似然函数公式(2)所示：
最后使用最大期望算法计算其中的参数：
其中公式(3)中，γ(i,k)表示第i个数据由第k个组件生产的概率；
S22:从第N+1帧开始检测，判断该图像中的每一个像素点与构建好的k个高斯模型是否相匹配，如果匹配不成功则判定为前景点，否则为背景点。
6.根据权利要求4所述的智能烟火识别系统，其特征在于，所述火焰静态特征识别方法为：
将原图二值化，经过中值滤波以及数学形态学的膨胀运算消除图片的一些噪声及离散点，连通一些遗漏的区域，识别候选区域的火焰部分红色分量R和绿色分量G很大，并且绿色分量G会大于蓝色分量B，RGB判据的具体条件是：
rude1：R≥G≥B
rule2：R≥RT
rule3：S≥((255-R)*ST/RT)
其中，RT是红色分量阈值，ST是饱和度阈值，若满足上式判据条件，则判断该位置为火焰像素，显示为白色，否则显示为黑色。
7.根据权利要求4所述的智能烟火识别系统，其特征在于，所述烟雾静态特征识别方法为：
在HSV颜色模型中，H代表色调，反应图像的颜色，S代表饱和度，反应图像颜色的鲜艳程度，V代表亮度，使用当前视频帧的前50帧亮度值V的平均值作为亮度阈值，如果识别候选区域的平均亮度值大于阈值且饱和度S低于70则认为该区域是烟雾的候选区域。
8.根据权利要求4所述的智能烟火识别系统，其特征在于，所述运动趋势检测算法具体流程为：
将视频火灾智能识别及信息复核模块采集的视频中的运动趋势分为八个方向，以水平向右为0度方向，逆时针顺序，每个方向的间隔为45度，然后以正右方为1号方向，逆时针依次分别为每个方向进行编号，3号方向表示正上方，7号方向表示正下方，分别计算当前帧图片中心图像和下一帧图像中对应位置的八邻域图像的差异大小，然后选取差异值最小的位置，即为中心图像的运动趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811408487.1A CN109637068A (zh) | 2018-11-23 | 2018-11-23 | 智能烟火识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811408487.1A CN109637068A (zh) | 2018-11-23 | 2018-11-23 | 智能烟火识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109637068A true CN109637068A (zh) | 2019-04-16 |
Family
ID=66069384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811408487.1A Pending CN109637068A (zh) | 2018-11-23 | 2018-11-23 | 智能烟火识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109637068A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084166A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于深度学习的变电站烟火智能识别监测方法 |
| CN110379118A (zh) * | 2019-07-26 | 2019-10-25 | 中车青岛四方车辆研究所有限公司 | 列车车下防火智能监控系统及方法 |
| CN110634261A (zh) * | 2019-08-27 | 2019-12-31 | 国网山东省电力公司泗水县供电公司 | 一种地下配电网火灾预警系统及方法 |
| CN111145275A (zh) * | 2019-12-30 | 2020-05-12 | 重庆市海普软件产业有限公司 | 一种智能化自控森林防火监控系统及方法 |
| CN111460973A (zh) * | 2020-03-30 | 2020-07-28 | 国网山西省电力公司电力科学研究院 | 烟火信号检测与图像可视化自动识别方法 |
| CN111486892A (zh) * | 2020-03-30 | 2020-08-04 | 国网山西省电力公司电力科学研究院 | 铅酸蓄电池智能火灾预警系统 |
| CN111523528A (zh) * | 2020-07-03 | 2020-08-11 | 平安国际智慧城市科技股份有限公司 | 基于规模识别模型的策略发送方法、装置和计算机设备 |
| CN111898549A (zh) * | 2020-07-31 | 2020-11-06 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的火情监测方法、装置、计算机设备和介质 |
| CN111988569A (zh) * | 2020-08-24 | 2020-11-24 | 国网北京市电力公司 | 一种变电站工业视频监控画面着火现象监控方法及系统 |
| CN112052744A (zh) * | 2020-08-12 | 2020-12-08 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
| CN112560657A (zh) * | 2020-12-12 | 2021-03-26 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN113762385A (zh) * | 2021-09-08 | 2021-12-07 | 无锡格林通安全装备有限公司 | 一种基于高斯混合模型的火焰探测方法及装置 |
| CN113920680A (zh) * | 2021-10-08 | 2022-01-11 | 合肥宽特姆量子科技有限公司 | 一种基于量子通信的智能建筑火灾探测系统 |
| CN114885119A (zh) * | 2022-03-29 | 2022-08-09 | 西北大学 | 一种基于计算机视觉的智能监控报警系统及方法 |
| CN115240353A (zh) * | 2022-09-21 | 2022-10-25 | 江苏海舟安防科技有限公司 | 一种基于物联传感的消防险情处理方法 |
| CN116630843A (zh) * | 2023-04-13 | 2023-08-22 | 安徽中科数智信息科技有限公司 | 一种用于消防救援的防火监督管理方法和系统 |
| CN117373196A (zh) * | 2023-11-17 | 2024-01-09 | 北京北元电器有限公司 | 一种电气火灾报警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493980A (zh) * | 2009-03-05 | 2009-07-29 | 中国科学技术大学 | 一种基于多特征融合的快速视频火焰探测方法 |
| CN103927838A (zh) * | 2014-04-22 | 2014-07-16 | 中国科学技术大学 | 一种烟雾热成像火灾自动定位探测系统及方法 |
| CN105785895A (zh) * | 2016-03-30 | 2016-07-20 | 国网山东省电力公司荣成市供电公司 | 一种变电站智能监控系统 |
| KR101798372B1 (ko) * | 2016-09-29 | 2017-11-17 | 순천향대학교 산학협력단 | 화재 감시시스템 및 그 제어방법 |
| CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
-
2018
- 2018-11-23 CN CN201811408487.1A patent/CN109637068A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493980A (zh) * | 2009-03-05 | 2009-07-29 | 中国科学技术大学 | 一种基于多特征融合的快速视频火焰探测方法 |
| CN103927838A (zh) * | 2014-04-22 | 2014-07-16 | 中国科学技术大学 | 一种烟雾热成像火灾自动定位探测系统及方法 |
| CN105785895A (zh) * | 2016-03-30 | 2016-07-20 | 国网山东省电力公司荣成市供电公司 | 一种变电站智能监控系统 |
| KR101798372B1 (ko) * | 2016-09-29 | 2017-11-17 | 순천향대학교 산학협력단 | 화재 감시시스템 및 그 제어방법 |
| CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084166A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于深度学习的变电站烟火智能识别监测方法 |
| CN110379118A (zh) * | 2019-07-26 | 2019-10-25 | 中车青岛四方车辆研究所有限公司 | 列车车下防火智能监控系统及方法 |
| CN110634261A (zh) * | 2019-08-27 | 2019-12-31 | 国网山东省电力公司泗水县供电公司 | 一种地下配电网火灾预警系统及方法 |
| CN111145275A (zh) * | 2019-12-30 | 2020-05-12 | 重庆市海普软件产业有限公司 | 一种智能化自控森林防火监控系统及方法 |
| CN111460973A (zh) * | 2020-03-30 | 2020-07-28 | 国网山西省电力公司电力科学研究院 | 烟火信号检测与图像可视化自动识别方法 |
| CN111486892A (zh) * | 2020-03-30 | 2020-08-04 | 国网山西省电力公司电力科学研究院 | 铅酸蓄电池智能火灾预警系统 |
| CN111523528A (zh) * | 2020-07-03 | 2020-08-11 | 平安国际智慧城市科技股份有限公司 | 基于规模识别模型的策略发送方法、装置和计算机设备 |
| CN111523528B (zh) * | 2020-07-03 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 基于规模识别模型的策略发送方法、装置和计算机设备 |
| CN111898549A (zh) * | 2020-07-31 | 2020-11-06 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的火情监测方法、装置、计算机设备和介质 |
| CN111898549B (zh) * | 2020-07-31 | 2024-07-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的火情监测方法、装置、计算机设备和介质 |
| CN112052744A (zh) * | 2020-08-12 | 2020-12-08 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
| CN112052744B (zh) * | 2020-08-12 | 2024-02-09 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
| CN111988569A (zh) * | 2020-08-24 | 2020-11-24 | 国网北京市电力公司 | 一种变电站工业视频监控画面着火现象监控方法及系统 |
| CN112560657A (zh) * | 2020-12-12 | 2021-03-26 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN112560657B (zh) * | 2020-12-12 | 2023-05-30 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN113762385A (zh) * | 2021-09-08 | 2021-12-07 | 无锡格林通安全装备有限公司 | 一种基于高斯混合模型的火焰探测方法及装置 |
| CN113920680A (zh) * | 2021-10-08 | 2022-01-11 | 合肥宽特姆量子科技有限公司 | 一种基于量子通信的智能建筑火灾探测系统 |
| CN114885119A (zh) * | 2022-03-29 | 2022-08-09 | 西北大学 | 一种基于计算机视觉的智能监控报警系统及方法 |
| CN115240353A (zh) * | 2022-09-21 | 2022-10-25 | 江苏海舟安防科技有限公司 | 一种基于物联传感的消防险情处理方法 |
| CN116630843A (zh) * | 2023-04-13 | 2023-08-22 | 安徽中科数智信息科技有限公司 | 一种用于消防救援的防火监督管理方法和系统 |
| CN116630843B (zh) * | 2023-04-13 | 2024-05-17 | 安徽中科数智信息科技有限公司 | 一种用于消防救援的防火监督管理方法和系统 |
| CN117373196A (zh) * | 2023-11-17 | 2024-01-09 | 北京北元电器有限公司 | 一种电气火灾报警方法及系统 |
| CN117373196B (zh) * | 2023-11-17 | 2024-04-05 | 北京北元电器有限公司 | 一种电气火灾报警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109637068A (zh) | 智能烟火识别系统 | |
| CN106600888B (zh) | 一种森林火灾自动检测方法及系统 | |
| Chen et al. | An early fire-detection method based on image processing | |
| CN112069975B (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
| Chen et al. | An intelligent real-time fire-detection method based on video processing | |
| Dedeoglu et al. | Real-time fire and flame detection in video | |
| CN104599427B (zh) | 一种用于公路隧道的智能图像型火灾报警系统 | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| US20160260306A1 (en) | Method and device for automated early detection of forest fires by means of optical detection of smoke clouds | |
| KR100922784B1 (ko) | 영상 기반 화재 감지 방법 및 이를 적용한 방범 및 방재 시스템 | |
| CN104091354A (zh) | 一种基于视频图像的火灾检测方法及其火灾检测装置 | |
| CN102208018A (zh) | 一种基于视频差异分析的输电线路火灾识别方法 | |
| CN103778418A (zh) | 一种输电线路杆塔图像监测系统的山火图像识别方法 | |
| CN103473788A (zh) | 一种基于高清视频图像的室内火灾火焰检测方法 | |
| CN104463869B (zh) | 一种视频火焰图像复合识别方法 | |
| Lai et al. | A real time video processing based surveillance system for early fire and flood detection | |
| CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
| Wang et al. | A new fire detection method using a multi-expert system based on color dispersion, similarity and centroid motion in indoor environment | |
| KR101204259B1 (ko) | 화재 검출 방법 | |
| KR102585066B1 (ko) | 단독형 화재 경보기와 가시광선 카메라를 이용하는 융합형 화재 경보 시스템 | |
| JP2020021300A (ja) | 火災監視装置、火災監視システム、および火災監視装置のプログラム | |
| CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
| KR101196678B1 (ko) | 실시간 화재 감시 장치 및 방법 | |
| Ho et al. | Real-time video-based fire smoke detection system | |
| CN109741565A (zh) | 煤矿火灾识别系统及方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 255000 Room 405, Block E, 135 Zhengdao Road, Zibo Development Zone, Shandong Province Applicant after: Zhiyang Innovation Technology Co., Ltd. Address before: 255086 Zibo high tech Zone, Shandong Road, No. 135, block E, Room 405 Applicant before: SHANDONG ZHIYANG ELECTRIC CO., LTD. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |