CN110991243A - 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 - Google Patents
一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 Download PDFInfo
- Publication number
- CN110991243A CN110991243A CN201911057869.9A CN201911057869A CN110991243A CN 110991243 A CN110991243 A CN 110991243A CN 201911057869 A CN201911057869 A CN 201911057869A CN 110991243 A CN110991243 A CN 110991243A
- Authority
- CN
- China
- Prior art keywords
- data set
- module
- neural network
- convolutional neural
- image
- 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
Images
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，包括数据集采集模块、数据集处理模块、图像处理模块和图像显示及报警模块，数据集采集模块获取烟雾检测的视频帧数据集，数据集处理模块将处理后的数据集作为深度卷积神经网络训练的数据集，图像处理模块中的模型训练模块对改进后的深度卷积神经网络进行训练，图像识别模块将实时捕获的两帧图像，通过颜色通道转换和图像帧差处理后，再用训练好的深度卷积神经网络模型进行图像的识别，若存在烟雾，图像显示及报警模块则进行报警，本发明秸秆燃烧检测提高了识别效率，准确率和实用性高，降低了深度卷积神经网络烟雾算法检测的复杂性和提高识别的准确率。
Description
技术领域
本发明涉及利用计算机进行烟雾识别领域，特别是一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法。
背景技术
中国是个农业大国，随着农作物的产量提高，秸秆的总量迅速增加，多数地区出现了秸秆焚烧的现象。秸秆焚烧属于低温焚烧，其烟气中含有大量的一氧化碳、二氧化碳、氮氧化物、光化学氧化剂和悬浮颗粒物等造成大气污染,且会在一定程度上加重雾霾的发生。不仅如此,各地区每到收获的季节因为焚烧秸秆而引发火灾的事情时有发生。
现有技术关于火灾烟雾检测的方法主要包含两个方向，一方面是传统的视频烟雾检测方法，主要是根据烟雾的颜色，纹理和运动等特征进行提取，然后使用分类器对特征向量进行训练和分类。然而，由于烟雾的形态多变，并且检测的环境比较复杂，人工设计的特征提取和识别的效果并不理想，很难达到实际需求；另一方面，现有的基于深度卷积神经网络进行烟雾的识别，通过对图形经过一系列的处理，如高斯混合模型、暗通道去雾、二值化处理等，再进行模型的训练和识别，方法比较繁琐，耗时较长，难以进行实时的检测和报警。
中国专利CN110046625A“识别烟雾的卷积神经网络”通过对图像进行处理，先生成颜色通道，再从颜色通道中生成纹理、形状等空间特征的烟雾识别网络。这种方法比较繁琐，首先对图像进行一系列的处理再进行模型的训练和识别，准确率不高并耗费时间，难以达到实时和高效的检测。中国专利CN109598891A“一种利用深度学习分类模型实现烟雾检测的方法和系统”是通过利用高斯混合模型对烟雾图像进行处理得到运动区域，对图像进行暗通道去雾算法处理，然后获取烟雾图像和无烟图像模型之间的差值图像以获取疑似烟雾区域，得到运动区域和疑似烟雾区域之间的交集区域，最后通过深度学习模型进行识别。这种方法同样比较繁琐，耗费计算资源和时间，难以达到实时报警。
发明内容
本发明所要解决的技术问题是提供一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，能够通过摄像头拍摄的视频实时监测烟雾情况，并及时发出警告。解决了烟雾监测成本高、不及时、精度不够和效率不高的问题。
为解决上述技术问题，本发明所采用的技术方案是：一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，包括数据集采集模块、数据集处理模块、图像处理模块和图像显示及报警模块，具体实现的步骤为：
S1.数据集采集模块通过摄像头获取烟雾检测的视频帧数据集；
S2.数据集处理模块挑选出多组连续两帧图像，采用颜色通道HSV中的V通道提取图像特征，相减得到烟雾区域作为深度卷积神经网络训练的数据集；
S3.图像处理模块包括模型训练模块和图像识别模块，模型训练模块将VGG16网络结构改进后的深度卷积神经网络进行训练；
图像识别模块将摄像头实时捕获的两帧图像，通过颜色通道转换和图像帧差处理后，再用训练好的深度卷积神经网络模型进行图像的识别；
S4.图像显示及报警模块将模型识别的结果进行显示，若有烟雾存在则进行报警。
优选的方案中，步骤S3中根据烟雾区域大小的要求将由13层卷积层，5层池化层和3层全连接层组成VGG16网络结构改成由10层卷积层，4层池化层和3层全连接层组成的网络结构。
本发明提供了一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，通过采用以上的方案，具有以下有益效果：
1、烟雾检测方式高效。本发明提供一种基于深度卷积神经网络的秸秆燃烧识别方法，通过利用摄像头采集数据集，挑选出多组连续两帧图像，采用颜色通道HSV中的V通道提取图像特征，相减得到烟雾区域作为深度卷积神经网络训练的数据集。
2、提高识别效率，准确率高。对VGG16网络结构进行改进后的卷积神经网络再进行训练；将摄像头实时捕获的两帧图像通过颜色通道转换和图像帧差处理后，用训练好的模型进行图像的识别，相比于现有技术，可降低深度卷积神经网络烟雾算法检测的复杂性和提高识别的准确率。
3、实用性高，本发明提供的这种基于深度卷积神经网络的秸秆燃烧识别方法可以应用到实际的摄像头秸秆燃烧监控领域，解决了现存的秸秆燃烧识别技术的局限性。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的整体流程示意图。
图2为本发明中提取的视频帧图像1。
图3为本发明中视频帧图像2。
图4为本发明中视频帧图像1进行V通道提取后的图像。
图5为本发明中视频帧图像2进行V通道提取后的图像。
图6为本发明中提取V通道过后的两帧图片相减得到疑似烟雾区域的图像。
具体实施方式
实施例1：
如图1~6所示，一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，包括数据集采集模块、数据集处理模块、图像处理模块和图像显示及报警模块，具体实现的步骤为：
S1.数据集采集模块通过摄像头获取烟雾检测的视频帧数据集，在需要进行秸秆燃烧检测的区域安装摄像头，或者通过已有的摄像头获取秸秆燃烧检测的视频帧数据集，从摄像头设备中采集到的图像传回到计算机设备中，在计算机设备中进行收集和整理。
S2.数据集处理模块挑选出多组连续两帧图像图1和图2，采用颜色通道HSV中的V通道提取图像特征，从图1得到图3 ，图2得到图4，相减得到烟雾区域如图4，作为深度卷积神经网络训练的数据集，HSV通道中，H代表色相，S代表饱和度，V表示亮度，因烟雾的色彩不显著，饱和度不高，故采用HSV中的V通道提取图像特征来进行秸秆燃烧产生的烟雾检测的训练集，依赖性更高。
S3.图像处理模块包括模型训练模块和图像识别模块，模型训练模块将VGG16网络结构改进后的深度卷积神经网络进行训练，改进后的网络模型降低了算法的复杂 程度，但是识别准确率比VGG16网络模型的准确率高，
图像识别模块将摄像头实时捕获的两帧图像，通过颜色通道转换和图像帧差处理后，再用训练好的深度卷积神经网络模型进行图像的识别，深度卷积神经网络模型对图像处理模块提取的疑似烟雾进行再次确认，确保识别的准确度。
S4.图像显示及报警模块将模型识别的结果进行显示，若有烟雾存在则进行报警，图像显示及报警模块通过图像处理模块产生实时检测结果进行显示和报警，若检测的图像是包含烟雾，则显示并进行报警；若检测的图像不包含烟雾，则不显示和报警。可以实时准确的通过监控设备传入图像信息，进行图像检测模块的操作，并判断监控范围是否存在着秸秆燃烧的情况，若存在，则进行实时的报警，如果存在秸秆燃烧的情况，则根据图像显示及报警模块显示的获取时间和地点及时下发通知，联系相关人员以便采取措施。
实施例2：
步骤S3中根据烟雾区域大小的要求将由13层卷积层，5层池化层和3层全连接层组成VGG16网络结构改成由10层卷积层，4层池化层和3层全连接层组成的网络结构。VGG16网络结构是由13层卷积层，5层池化层和3层全连接层组成，网络结构输入的图片大小是224*224。根据烟雾区域大小的需求，改进后的网络结构由10层卷积层，4层池化层和3层全连接层组成，网络结构输入的图片大小是80*80。具体的网络结构是：输入层→2层卷积层 →池化层→2层卷积层→池化层→3层卷积层→池化层→3层卷积层→池化层→3层全连接层→输出层。通过不断地调节网络结构中的参数，如学习率，迭代次数等参数，以达到最优的网络模型。在实施过程中，通过使用sigmoid二分类函数进行分类，判断图像是否存在烟雾；模型采用的学习率是1e-5，每批次训练的个数是128，迭代的次数为10000。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (2)
1.一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，其特征是：包括数据集采集模块、数据集处理模块、图像处理模块和图像显示及报警模块，具体实现的步骤为：
S1.数据集采集模块通过摄像头获取烟雾检测的视频帧数据集；
S2.数据集处理模块挑选出多组连续两帧图像，采用颜色通道HSV中的V通道提取图像特征，相减得到烟雾区域作为深度卷积神经网络训练的数据集；
S3.图像处理模块包括模型训练模块和图像识别模块，模型训练模块将VGG16网络结构改进后的深度卷积神经网络进行训练；
图像识别模块将摄像头实时捕获的两帧图像，通过颜色通道转换和图像帧差处理后，再用训练好的深度卷积神经网络模型进行图像的识别；
S4.图像显示及报警模块将模型识别的结果进行显示，若有烟雾存在则进行报警。
2.根据权利要求1所述的一种基于颜色通道HSV结合卷积神经网络的秸秆燃烧识别方法，其特征是：步骤S3中根据烟雾区域大小的要求将由13层卷积层，5层池化层和3层全连接层组成VGG16网络结构改成由10层卷积层，4层池化层和3层全连接层组成的网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057869.9A CN110991243A (zh) | 2019-11-01 | 2019-11-01 | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057869.9A CN110991243A (zh) | 2019-11-01 | 2019-11-01 | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991243A true CN110991243A (zh) | 2020-04-10 |
Family
ID=70082841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911057869.9A Pending CN110991243A (zh) | 2019-11-01 | 2019-11-01 | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991243A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563743A (zh) * | 2022-12-09 | 2023-08-08 | 南京图格医疗科技有限公司 | 基于深度学习的检测方法及除烟系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170032222A1 (en) * | 2015-07-30 | 2017-02-02 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
| CN108921215A (zh) * | 2018-06-29 | 2018-11-30 | 重庆邮电大学 | 一种基于局部极值共生模式和能量分析的烟雾检测 |
| CN108985192A (zh) * | 2018-06-29 | 2018-12-11 | 东南大学 | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 |
| CN109034033A (zh) * | 2018-07-16 | 2018-12-18 | 江南大学 | 一种基于改进vgg16卷积网络的排烟视频检测方法 |
| CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109977790A (zh) * | 2019-03-04 | 2019-07-05 | 浙江工业大学 | 一种基于迁移学习的视频烟雾检测与识别方法 |
| CN110032977A (zh) * | 2019-04-18 | 2019-07-19 | 北京华正明天信息技术股份有限公司 | 一种基于深度学习图像火灾识别的安全预警管理系统 |
-
2019
- 2019-11-01 CN CN201911057869.9A patent/CN110991243A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170032222A1 (en) * | 2015-07-30 | 2017-02-02 | Xerox Corporation | Cross-trained convolutional neural networks using multimodal images |
| CN108921215A (zh) * | 2018-06-29 | 2018-11-30 | 重庆邮电大学 | 一种基于局部极值共生模式和能量分析的烟雾检测 |
| CN108985192A (zh) * | 2018-06-29 | 2018-12-11 | 东南大学 | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 |
| CN109034033A (zh) * | 2018-07-16 | 2018-12-18 | 江南大学 | 一种基于改进vgg16卷积网络的排烟视频检测方法 |
| CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109977790A (zh) * | 2019-03-04 | 2019-07-05 | 浙江工业大学 | 一种基于迁移学习的视频烟雾检测与识别方法 |
| CN110032977A (zh) * | 2019-04-18 | 2019-07-19 | 北京华正明天信息技术股份有限公司 | 一种基于深度学习图像火灾识别的安全预警管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 闵秋莎: "基于面部特征点定位的头部姿态估计", pages 263 - 266 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563743A (zh) * | 2022-12-09 | 2023-08-08 | 南京图格医疗科技有限公司 | 基于深度学习的检测方法及除烟系统 |
| CN116563743B (zh) * | 2022-12-09 | 2023-12-01 | 南京图格医疗科技有限公司 | 基于深度学习的检测方法及除烟系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
| Gong et al. | A real-time fire detection method from video with multifeature fusion | |
| CN110200598B (zh) | 一种大型养殖场体征异常禽类检测系统及检测方法 | |
| Vipin | Image processing based forest fire detection | |
| CN102201146B (zh) | 基于主动红外视频的零照度环境火灾烟雾识别方法 | |
| CN108985192A (zh) | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 | |
| CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
| CN108830305A (zh) | 一种结合dclrn网络和光流法的实时火灾监测方法 | |
| CN109886153B (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
| CN109344688A (zh) | 一种基于卷积神经网络的监控视频中人的自动识别方法 | |
| CN111582095B (zh) | 一种轻量级行人异常行为快速检测方法 | |
| CN110378233B (zh) | 一种基于人群行为先验知识的双分支异常检测方法 | |
| CN111046728A (zh) | 一种基于特征金字塔网络的秸秆燃烧检测方法 | |
| CN111639610A (zh) | 一种基于深度学习的火情识别方法及系统 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| Li et al. | Improved YOLOv4 network using infrared images for personnel detection in coal mines | |
| CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
| Yandouzi et al. | Investigation of combining deep learning object recognition with drones for forest fire detection and monitoring | |
| Zheng et al. | A forest fire smoke detection model combining convolutional neural network and vision transformer | |
| CN110991243A (zh) | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 | |
| CN109376719A (zh) | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 | |
| CN112488213A (zh) | 一种基于多尺度特征学习网络的火灾图片分类方法 | |
| Peng et al. | Helmet wearing recognition of construction workers using convolutional neural network | |
| WO2022262013A1 (zh) | 一种车辆状态信息采集监控方法及系统 | |
| Gao et al. | Design and implementation of fire detection system using new model mixing |
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 |