CN110991244A - 一种基于深度学习与纹理特征的实时烟雾检测方法 - Google Patents
一种基于深度学习与纹理特征的实时烟雾检测方法 Download PDFInfo
- Publication number
- CN110991244A CN110991244A CN201911057922.5A CN201911057922A CN110991244A CN 110991244 A CN110991244 A CN 110991244A CN 201911057922 A CN201911057922 A CN 201911057922A CN 110991244 A CN110991244 A CN 110991244A
- Authority
- CN
- China
- Prior art keywords
- smoke
- area
- suspected
- deep learning
- real
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012790 confirmation Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000009432 framing Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 239000010902 straw Substances 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
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)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习与纹理特征的实时烟雾检测方法，包括以下步骤：步骤一，建立烟雾数据集，训练检测烟雾和确认烟雾区域两个模型；步骤二，使用检测烟雾的模型检测烟雾，并将疑似烟雾的区域提取出来，并进行归一化处理，统一到同样的尺寸；步骤三，对归一化后的数据特征进行判断，通过确认烟雾区域模型确认是否为烟雾区域，若是则发送警报信息。本发明在现有的方法上，实现了烟雾识别的智能化，提高了烟雾识别的准确率并采用二次确认的方法降低模型误报率，在不同的场景中采用我们的方法训练均能得到准确率较高的模型，是一种准确率高，能够实时识别的烟雾实时检测算法。
Description
技术领域
本发明属于图像识别技术领域，涉及一种基于深度学习与纹理特征的实时烟雾检测方法。
背景技术
在每年的秋收季节，遗留在地间的秸秆等废弃物成了农民们棘手的问题，由于专业知识的缺乏以及薄弱的安全意识，他们通常采用直接焚烧的方法处理这些废弃物。但是，由于直接焚烧秸秆等废弃物会造成空气污染并且可能引发火灾，所以我们必须及时制止农民们随意焚烧秸秆等废弃物的行为。每年夏秋季收获时节,环保部、农业部及各地政府都会投入大量的人力监控焚烧秸秆的情况，但秸秆焚烧现象仍然屡禁不止,每年的秸秆中仍有3亿多吨被当作废弃物直接焚烧或扔掉,给大气质量、生态环境、交通安全和火灾防护都造成了极大的危害。所以通过烟雾检测，及时发现农民们随意焚烧废弃物的行为，并对这种行为进行制止很有必要。
在计算机视觉技术飞速发展的今天，计算机能够识别的场景越来越多，因此越来越多的场合开始使用基于视频分析的安全检测技术。基于视频分析的烟雾检测也有所研究。中国专利CN109977790A中提到的烟雾检测方法，使用了迁移学习的方法，可以得到烟雾检测的模型，但是可能会产生欠适配和负迁移等问题对模型的性能产生影响。中国专利CN110222644A中提到的烟雾检测方法，基于CIELAB颜色空间对图像进行处理，这个方法可以进行烟雾识别，但是仅仅利用了烟雾的颜色特征，对于烟雾的特征使用还不够充足，在某些情况下，很可能会发生误判。
发明内容
本发明在现有的方法上，实现了烟雾识别的智能化，提高了烟雾识别的准确率并采用二次确认的方法降低模型误报率，在不同的场景中采用我们的方法训练均能得到准确率较高的模型，是一种准确率高，能够实时识别的烟雾实时检测算法。
为了解决上述技术问题，本发明提出如下的技术方案：
一种基于深度学习与纹理特征的实时烟雾检测方法，包括以下步骤：
步骤一，建立烟雾数据集，训练检测烟雾和确认烟雾区域两个模型；
步骤二，使用检测烟雾的模型检测烟雾，并将疑似烟雾的区域提取出来，并进行归一化处理，统一到同样的尺寸；
步骤三，对归一化后的数据特征进行判断，通过确认烟雾区域模型确认是否为烟雾区域，若是则发送警报信息。
在步骤一中，训练检测烟雾的fasterR-CNN模型和确认烟雾区域的SVM模型；在步骤二中，使用fasterR-CNN模型检测烟雾，将疑似烟雾的区域提取出来。
在步骤三中提取归一化后区域的LBP特征，将提取到的特征输入到SVM中进行判断，确认是否为烟雾区域，若是烟雾区域则发送报警信息。
在步骤三中将归一化处理后的疑似烟雾区域使用OpenCV等相关手段提取出它们的LBP特征，将获取的LBP特征分别输入到SVM中进行分类，若输出的结果确认是烟雾，则发送报警信息。
在步骤二中，具体包括以下步骤：
步骤1.使用faster R-CNN模型对图片进行烟雾检测，将疑似有烟雾的区域框起来；
步骤2.将框起来的部分使用OpenCV等相关手段分割出来，获取疑似有烟雾的区域；
步骤3.将获取的区域进行归一化处理，统一它们的大小到同样的尺寸。
通过本发明所构思的以上技术方案与现有的技术相比，有以下优点：
1）准确率高，鲁棒性好；
2）通过二次确认的方法有效降低误报率。
附图说明
图1为本发明基于深度学习与纹理特征的实时烟雾检测方法的流程图；
图2为本发明中提取疑似烟雾区域的流程图；
图3为本发明中确认烟雾区域的流程图。
具体实施方式
一种基于深度学习与纹理特征的实时烟雾检测方法，包括以下步骤：
步骤一，建立烟雾数据集，训练检测烟雾和确认烟雾区域两个模型；
在步骤一中，训练检测烟雾的fasterR-CNN模型和确认烟雾区域的SVM模型；
步骤二，使用检测烟雾的模型检测烟雾，并将疑似烟雾的区域提取出来，并进行归一化处理，统一到同样的尺寸；
在步骤二中，使用fasterR-CNN模型检测烟雾，将疑似烟雾的区域提取出来。
在步骤二中，具体包括以下步骤：
步骤1.使用faster R-CNN模型对图片进行烟雾检测，将疑似有烟雾的区域框起来；
步骤2.将框起来的部分使用OpenCV等相关手段分割出来，获取疑似有烟雾的区域；
步骤3.将获取的区域进行归一化处理，统一它们的大小到同样的尺寸。
步骤三，对归一化后的数据特征进行判断，通过确认烟雾区域模型确认是否为烟雾区域，若是则发送警报信息。
在步骤三中提取归一化后区域的LBP特征，将提取到的特征输入到SVM中进行判断，确认是否为烟雾区域，若是烟雾区域则发送报警信息。
在步骤三中将归一化处理后的疑似烟雾区域使用OpenCV等相关手段提取出它们的LBP特征，将获取的LBP特征分别输入到SVM中进行分类，若输出的结果确认是烟雾，则发送报警信息。
实施例：
结合图1所示，本方法基于深度学习与纹理特征的实时烟雾检测方法，步骤如下：
步骤一，使用收集的烟雾数据集训练检测烟雾的fasterR-CNN模型，我们将神经网络模型的初始学习率设置为0.001，batch大小设置为256（即一次迭代样本数），迭代次数设置为20000。训练确认烟雾的SVM模型，使用LBP特征，我们将cell大小设置为8*8，图片的大小统一为64*64；
步骤二，使用fasterR-CNN模型检测烟雾，将疑似烟雾的区域提取出来，并进行归一化处理，统一成64*64的大小，这样我们可以更快更准地进行识别，具体流程如图2所示；
步骤三，使用OpenCV提取归一化后区域的LBP特征，将提取到的特征输入到SVM中进行判断，确认是否为烟雾区域，若是烟雾区域则发送报警信息，具体流程如图3所示。
进一步的，本发明对上述fasterR-CNN模型进行了网络结构的精简。
上述技术手段带来的技术效果为：
这样，能够将原来的13层卷积，13层RELU，减为10层卷积，10层RELU，减少后，特征提取的效果没变，但是计算量变小了。Faster RCNN模型处理后，会存在大量的误报问题，针对这个问题，进行下一步操作，降低整体的误报，提高准确率。
在利用Faster RCNN处理后，图像上框选出的区域为疑似烟雾区域，截取后，利用LBP特征来进行误报的降低。利用OpenCV中的函数，LBP+SVM进行训练。误报率77.2%，降低为35.7%。
Claims (5)
1.一种基于深度学习与纹理特征的实时烟雾检测方法，其特征在于，包括以下步骤：
步骤一，建立烟雾数据集，训练检测烟雾和确认烟雾区域两个模型；
步骤二，使用检测烟雾的模型检测烟雾，并将疑似烟雾的区域提取出来，并进行归一化处理，统一到同样的尺寸；
步骤三，对归一化后的数据特征进行判断，通过确认烟雾区域模型确认是否为烟雾区域，若是则发送警报信息。
2.根据权利要求1所述的基于深度学习与纹理特征的实时烟雾检测方法，其特征在于：在步骤一中，训练检测烟雾的fasterR-CNN模型和确认烟雾区域的SVM模型；在步骤二中，使用fasterR-CNN模型检测烟雾，将疑似烟雾的区域提取出来。
3.根据权利要求1或2所述的基于深度学习与纹理特征的实时烟雾检测方法，其特征在于：在步骤三中首先提取归一化后区域的LBP特征，然后将提取到的特征输入到SVM中进行判断，确认是否为烟雾区域，若是烟雾区域则发送报警信息。
4.根据权利要求3所述的基于深度学习与纹理特征的实时烟雾检测方法，其特征在于：在步骤三中将归一化处理后的疑似烟雾区域使用OpenCV提取出它们的LBP特征，将获取的LBP特征分别输入到SVM中进行分类，若输出的结果确认是烟雾，则发送报警信息。
5.根据权利要求1或2或4所述的基于深度学习与纹理特征的实时烟雾检测方法，其特征在于：在步骤二中，具体包括以下步骤：
步骤1.使用faster R-CNN模型对图片进行烟雾检测，将疑似有烟雾的区域框起来；
步骤2.将框起来的部分使用OpenCV等相关手段分割出来，获取疑似有烟雾的区域；
步骤3.将获取的区域进行归一化处理，统一它们的大小到同样的尺寸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057922.5A CN110991244A (zh) | 2019-11-01 | 2019-11-01 | 一种基于深度学习与纹理特征的实时烟雾检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057922.5A CN110991244A (zh) | 2019-11-01 | 2019-11-01 | 一种基于深度学习与纹理特征的实时烟雾检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991244A true CN110991244A (zh) | 2020-04-10 |
Family
ID=70082842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911057922.5A Pending CN110991244A (zh) | 2019-11-01 | 2019-11-01 | 一种基于深度学习与纹理特征的实时烟雾检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991244A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052865A (zh) * | 2017-07-06 | 2018-05-18 | 同济大学 | 一种基于卷积神经网络和支持向量机的火焰检测方法 |
| CN108898098A (zh) * | 2018-06-27 | 2018-11-27 | 天津大学 | 基于监控平台的早期视频烟雾检测方法 |
| CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
| CN109389185A (zh) * | 2018-11-15 | 2019-02-26 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
| CN109961042A (zh) * | 2019-03-22 | 2019-07-02 | 中国人民解放军国防科技大学 | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 |
| 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 |
-
2019
- 2019-11-01 CN CN201911057922.5A patent/CN110991244A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052865A (zh) * | 2017-07-06 | 2018-05-18 | 同济大学 | 一种基于卷积神经网络和支持向量机的火焰检测方法 |
| CN108898098A (zh) * | 2018-06-27 | 2018-11-27 | 天津大学 | 基于监控平台的早期视频烟雾检测方法 |
| CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
| CN109389185A (zh) * | 2018-11-15 | 2019-02-26 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
| 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 |
| CN109961042A (zh) * | 2019-03-22 | 2019-07-02 | 中国人民解放军国防科技大学 | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN107203765B (zh) | 敏感图像检测方法和装置 | |
| CN111680632A (zh) | 基于深度学习卷积神经网络的烟火检测方法及系统 | |
| CN109922065B (zh) | 恶意网站快速识别方法 | |
| CN110490043A (zh) | 一种基于区域划分和特征提取的森林烟火检测方法 | |
| Wazalwar et al. | A design flow for robust license plate localization and recognition in complex scenes | |
| CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
| CN111639610A (zh) | 一种基于深度学习的火情识别方法及系统 | |
| CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
| Badawi et al. | Computationally efficient spatio-temporal dynamic texture recognition for volatile organic compound (voc) leakage detection in industrial plants | |
| CN111899210A (zh) | 一种基于图像识别的电弧检测方法 | |
| CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
| CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及系统 | |
| CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
| CN110991244A (zh) | 一种基于深度学习与纹理特征的实时烟雾检测方法 | |
| CN115134159B (zh) | 一种安全告警分析优化方法 | |
| CN112235305A (zh) | 一种基于卷积神经网络的恶意流量检测方法 | |
| CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
| CN115828245A (zh) | 一种基于深度学习的恶意文件识别方法 | |
| CN111723370A (zh) | 一种容器恶意行为检测的方法和设备 | |
| CN109975307A (zh) | 基于统计投影训练的轴承表面缺陷检测系统及检测方法 | |
| CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 | |
| CN112257768B (zh) | 一种非法金融图片的识别方法、装置、计算机存储介质 | |
| CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
| CN114782937A (zh) | 基于图像识别的吸烟预警方法、装置、电子设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |