CN111368826B - 一种基于可变卷积核的明火检测算法 - Google Patents

一种基于可变卷积核的明火检测算法 Download PDF

Info

Publication number
CN111368826B
CN111368826B CN202010116675.8A CN202010116675A CN111368826B CN 111368826 B CN111368826 B CN 111368826B CN 202010116675 A CN202010116675 A CN 202010116675A CN 111368826 B CN111368826 B CN 111368826B
Authority
CN
China
Prior art keywords
image
convolution kernel
variable
detection
feature
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
CN202010116675.8A
Other languages
English (en)
Other versions
CN111368826A (zh
Inventor
朱兆亚
朱吕甫
吴飞
李剑英
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.)
Anhui Jushi Technology Co ltd
Original Assignee
Anhui Jushi 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 Anhui Jushi Technology Co ltd filed Critical Anhui Jushi Technology Co ltd
Priority to CN202010116675.8A priority Critical patent/CN111368826B/zh
Publication of CN111368826A publication Critical patent/CN111368826A/zh
Application granted granted Critical
Publication of CN111368826B publication Critical patent/CN111368826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种基于可变卷积核的明火检测算法，属于计算机视觉技术领域，包括以下步骤：一、创建目标检测的感兴趣区域；二、采样计数，训练可变卷积核；三、根据可变卷积核提取图片特征值检测目标。通过对原始图片的偏移卷积，得到新的图像，再对新的图像进行分割，最后进行采样计数，训练出具有可变尺寸的卷积核，对不同尺寸的目标采用不同大小卷积核进行检测，达到去除背景的目的，能有效地降低火焰目标在不同视角下的透视变换存在一定的差异性，大大提高了检测准确性。

Description

一种基于可变卷积核的明火检测算法
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种基于可变卷积核的明火检测算法。
背景技术
火焰目标在不同视角下的透视变换存在一定的差异性，导致在深度学习算法中，采用固定尺寸(长宽比)的卷积核进行火焰检测会存在当目标尺寸变化时，会融入背景信息，导致检测不准的问题。
目标检测的难点在于光照变化、视角变化以及自身的形变，在用卷积神经网络进行目标检测时，固定大小的卷积核在应对类似于火焰这种易变形的目标时，易在检测过程中不可避免地在卷积过程中融入背景因素，导致检测效果不理想，为了获得理想的效果，卷积核的尺寸应该调整到感兴趣目标的尺寸，但感兴趣的尺寸通常是无法预知的，因此传统的火焰目标检测方法存在不准确的缺陷。
发明内容
本发明的目的就在于为了解决上述火焰目标检测使易受到自身的多变、光照变化以及背景融入的因素导致检测不准确的问题提出一种基于可变卷积核的明火检测算法，具有通过采样计数，训练出具有可变尺寸的卷积核，对不同尺寸的目标采用不同大小卷积核进行检测，达到去除背景的目的，提高检测效果的优点。
本发明通过以下技术方案来实现上述目的，一种基于可变卷积核的明火检测算法，包括以下步骤：
一、创建目标检测的感兴趣区域：提取原始数字图像U中的像素值，经过普通的卷积操作，并根据固定的卷积偏移值得到一个卷积后的新数字图像V；
二、采样计数，训练可变卷积核：将图像U中图片的像素索引值与图像V的像素索引值相加，得到一被限定在图像U大小以内的偏移坐标值集群，通过对偏移坐标值集群进行分割，并对分割后的坐标进行采样像素获取，其中获取方式如下：
①取分割后的一个坐标值(a,b)，将其转换为四个整数，并对四个整数进行整合，得到四对坐标，使四对坐标每个坐标都对应图像U中的一个像素值；
②通过采用双线性差值的方式计算出坐标值(a,b)的像素；
③依次类推求出所有的坐标值像素；
三、根据可变卷积核提取图片特征值检测目标：在得到坐标集群的所有像素后，即得到了一个新图片M，将这个新图片M进行特征提取，最后通过提取特征进行目标检测。
优选的，所述步骤二中的分割范围在图像U的最大尺寸范围内，而且分割数量在4-200之间。
优选的，所述步骤二采样方式可为抽取图像中的上下左右四个角的坐标进行像素获取，并通过四个角确定整体图像M的像素。
优选的，所述步骤三中采用特征点检测算法来提取目标特征并检测，检测方法如下：
提取抽象特征图，特征图包括样本集特征图和查询集特征图，再通过两类特征图级联构成新的明火检测特征图；
训练一个关系模块网络，得到相关性矩阵g0，用于计算明火特征图的相关性，利用
Figure BDA0002391705980000032
计算相关得分，采用均方误差
Figure BDA0002391705980000031
作为损失函数；
给出明火检测结果。
与现有技术相比，本发明的有益效果是：
本发明通过对原始图片的偏移卷积，得到新的图像，再对新的图像进行分割，最后进行采样计数，训练出具有可变尺寸的卷积核，对不同尺寸的目标采用不同大小卷积核进行检测，达到去除背景的目的，能有效地降低火焰目标在不同视角下的透视变换存在一定的差异性，大大提高了检测准确性。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于可变卷积核的明火检测算法，包括以下步骤：
一、创建目标检测的感兴趣区域：提取原始数字图像U中的像素值，经过普通的卷积操作，并根据固定的卷积偏移值得到一个卷积后的新数字图像V；
二、采样计数，训练可变卷积核：将图像U中图片的像素索引值与图像V的像素索引值相加，得到一被限定在图像U大小以内的偏移坐标值集群，通过对偏移坐标值集群进行分割，并对分割后的坐标进行采样像素获取，其中获取方式如下：
①取分割后的一个坐标值(a,b)，将其转换为四个整数，并对四个整数进行整合，得到四对坐标，使四对坐标每个坐标都对应图像U中的一个像素值；
②通过采用双线性差值的方式计算出坐标值(a,b)的像素；
③依次类推求出所有的坐标值像素；
三、根据可变卷积核提取图片特征值检测目标：在得到坐标集群的所有像素后，即得到了一个新图片M，将这个新图片M进行特征提取，最后通过提取特征进行目标检测。
上述双线性差值的计算方式是将一个图片的所有坐标变成两列，每一行两个元素表示x，y，双线性内插值算法放大后的图像质量较高，不会出现像素值不连续的的情况，也具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊，所述步骤二中的分割范围在图像U的最大尺寸范围内，而且分割数量在4-200之间，有效地避免处理的数据量较大给处理器带来压力，所述步骤二采样方式可为抽取图像中的上下左右四个角的坐标进行像素获取，并通过四个角确定整体图像M的像素，四个角确定的图像更加精确。
步骤三中采用特征点检测算法来提取目标特征并检测，检测方法如下：
提取抽象特征图，特征图包括样本集特征图和查询集特征图，再通过两类特征图级联构成新的明火检测特征图；
训练一个关系模块网络，得到相关性矩阵g0，用于计算明火特征图的相关性，利用
Figure BDA0002391705980000052
计算相关得分，采用均方误差
Figure BDA0002391705980000051
作为损失函数；
给出明火检测结果。
本发明的工作原理：本发明通过对原始图片的偏移卷积，得到新的图像，再对新的图像进行分割，最后进行采样计数，训练出具有可变尺寸的卷积核，对不同尺寸的目标采用不同大小卷积核进行检测，达到去除背景的目的，能有效地降低火焰目标在不同视角下的透视变换存在一定的差异性，大大提高了检测准确性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种基于可变卷积核的明火检测算法，其特征在于，包括以下步骤：
一、创建目标检测的感兴趣区域：提取原始数字图像U中的像素值，经过普通的卷积操作，并根据固定的卷积偏移值得到一个卷积后的新数字图像V；
二、采样计数，训练可变卷积核：将图像U中图片的像素索引值与图像V的像素索引值相加，得到一被限定在图像U大小以内的偏移坐标值集群，通过对偏移坐标值集群进行分割，并对分割后的坐标进行采样像素获取，其中获取方式如下：
①取分割后的一个坐标值(a,b)，将其转换为四个整数，并对四个整数进行整合，得到四对坐标，使四对坐标每个坐标都对应图像U中的一个像素值；
②通过采用双线性差值的方式计算出坐标值(a,b)的像素；
③依次类推求出所有的坐标值像素；
三、根据可变卷积核提取图片特征值检测目标：在得到坐标集群的所有像素后，即得到了一个新图片M，将这个新图片M进行特征提取，最后通过提取特征进行目标检测。
2.根据权利要求1所述的一种基于可变卷积核的明火检测算法，其特征在于，所述步骤二中的分割范围在图像U的最大尺寸范围内，而且分割数量在4-200之间。
3.根据权利要求1所述的一种基于可变卷积核的明火检测算法，其特征在于，所述步骤二采样方式可为抽取图像中的上下左右四个角的坐标进行像素获取，并通过四个角确定整体图像M的像素。
4.根据权利要求1所述的一种基于可变卷积核的明火检测算法，其特征在于，所述步骤三中采用特征点检测算法来提取目标特征并检测，检测方法如下：
提取抽象特征图，特征图包括样本集特征图和查询集特征图，再通过两类特征图级联构成新的明火检测特征图；
训练一个关系模块网络，得到相关性矩阵g0，用于计算明火特征图的相关性，利用
Figure FDA0002391705970000021
计算相关得分，采用均方误差
Figure FDA0002391705970000022
作为损失函数；
给出明火检测结果。
CN202010116675.8A 2020-02-25 2020-02-25 一种基于可变卷积核的明火检测算法 Active CN111368826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010116675.8A CN111368826B (zh) 2020-02-25 2020-02-25 一种基于可变卷积核的明火检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010116675.8A CN111368826B (zh) 2020-02-25 2020-02-25 一种基于可变卷积核的明火检测算法

Publications (2)

Publication Number Publication Date
CN111368826A CN111368826A (zh) 2020-07-03
CN111368826B true CN111368826B (zh) 2023-05-05

Family

ID=71208248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010116675.8A Active CN111368826B (zh) 2020-02-25 2020-02-25 一种基于可变卷积核的明火检测算法

Country Status (1)

Country Link
CN (1) CN111368826B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538515B (zh) * 2021-07-19 2024-06-07 安徽炬视科技有限公司 一种基于结合语义分割及目标检测跟踪的高压开关柜异动检测方法
CN113537242A (zh) * 2021-07-19 2021-10-22 安徽炬视科技有限公司 一种基于密集反卷积及特定损失函数的小目标检测算法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016115203A1 (en) * 2015-01-13 2016-07-21 Massachusetts Institute Of Technology Circular scanning technique for large area inspection
CN106203334A (zh) * 2016-07-11 2016-12-07 电子科技大学 一种室内场景火苗检测方法
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法
CN109919025A (zh) * 2019-01-30 2019-06-21 华南理工大学 基于深度学习的视频场景文本检测方法、系统、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8064640B2 (en) * 2004-03-25 2011-11-22 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for generating a precision fires image using a handheld device for image based coordinate determination
US8411910B2 (en) * 2008-04-17 2013-04-02 Biometricore, Inc. Computationally efficient feature extraction and matching iris recognition

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016115203A1 (en) * 2015-01-13 2016-07-21 Massachusetts Institute Of Technology Circular scanning technique for large area inspection
CN106203334A (zh) * 2016-07-11 2016-12-07 电子科技大学 一种室内场景火苗检测方法
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法
CN109919025A (zh) * 2019-01-30 2019-06-21 华南理工大学 基于深度学习的视频场景文本检测方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
詹炜 ; Inomjon Ramatov ; 崔万新 ; 喻晶精 ; .基于候选区域的深度学习目标检测算法综述.长江大学学报(自然科学版).2019,(05),全文. *

Also Published As

Publication number Publication date
CN111368826A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN110544251B (zh) 基于多迁移学习模型融合的大坝裂缝检测方法
CN110599552B (zh) 一种基于计算机视觉的pH试纸检测方法
WO2018145470A1 (zh) 一种图像检测方法和装置
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
CN111368826B (zh) 一种基于可变卷积核的明火检测算法
CN111325688B (zh) 融合形态学聚类优化大气光的无人机图像去雾方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
CN114596551A (zh) 一种车载前视图像裂缝检测的方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN104240259B (zh) 基于轮廓分割的高拍仪凭证智能裁边校正系统及方法
CN115937160A (zh) 一种基于凸包算法的爆炸火球轮廓检测方法
CN110909772B (zh) 一种高精度实时多尺度表盘指针检测方法和系统
CN105930811B (zh) 基于图像处理的手掌纹理特征检测方法
CN109978916B (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN106324708B (zh) 雨量记录图纸的数字化方法、装置
CN114862765A (zh) 一种细胞分层图像处理方法
CN110322479B (zh) 一种基于时空显著性的双核kcf目标跟踪方法
CN112184696A (zh) 一种细胞核和细胞器计数及其面积计算方法与系统
CN110390339B (zh) 一种图像校正方法、装置及存储介质
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN111243006A (zh) 一种基于图像处理的液滴接触角及尺寸的测量方法
CN112017221A (zh) 基于尺度空间的多模态图像配准方法、装置和设备
CN111583315A (zh) 一种新的可见光图像和红外图像配准方法及装置
CN113989823B (zh) 基于ocr坐标的图片表格还原方法及系统
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质

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
GR01 Patent grant
GR01 Patent grant