CN111401246A - 一种烟雾浓度检测方法、装置、设备及存储介质 - Google Patents
一种烟雾浓度检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111401246A CN111401246A CN202010184773.5A CN202010184773A CN111401246A CN 111401246 A CN111401246 A CN 111401246A CN 202010184773 A CN202010184773 A CN 202010184773A CN 111401246 A CN111401246 A CN 111401246A
- Authority
- CN
- China
- Prior art keywords
- smoke
- smoke concentration
- video image
- sample
- 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.)
- Granted
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 265
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 7
- 239000006096 absorbing agent Substances 0.000 abstract description 4
- 239000006233 lamp black Substances 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 102
- 239000002609 medium Substances 0.000 description 13
- 239000003921 oil Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000010734 process oil Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V20/40—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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本申请实施例公开了一种烟雾浓度检测方法、装置、设备及存储介质。本申请实施例提供的技术方案通过基于不同浓度类别的样本视频图像对烟雾大小识别模型进行训练,利用烟雾大小识别模型对摄像头实时获取的目标视频图像进行烟雾浓度类别的识别,及时对烟雾浓度大小做出准确判断,方便及时控制油烟机分级启动及运行在适用于当前烟雾浓度的档位,及时对油烟进行处理。同时,还在用户的使用过程中,根据用户对风机档位的调节操作进行记录,并对烟雾大小识别模型进行优化,优化用户体验。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种烟雾浓度检测方法、装置、设备及存储介质。
背景技术
现有常见的带有自动控制功能的吸油烟机通常采用检测烟气浓度方式实现自动控制。例如比较常见的是通过烟雾探头来检测烹饪过程中产生的烟雾浓度,根据烟雾浓度控制风机启停及运转速度。
然而依靠烟雾探头检测油烟会使得风机启动的响应速度较慢,只能在油烟进入吸油烟机后才能检测到油烟,这时再启动风机和调速,无法及时确定烟雾的浓度,不利于对油烟的及时处理。
发明内容
本申请实施例提供一种烟雾浓度检测方法、装置、设备及存储介质,以及时确定烟雾的浓度。
在第一方面,本申请实施例提供了一种烟雾浓度检测方法,包括:
对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集;
基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型;
对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
进一步的,所述对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集,包括:
对摄像头拍摄的油烟产生过程的样本视频图像进行关键帧抽取,得到不同烟雾浓度类别对应的样本关键帧图像;
对所述样本关键帧图像进行灰度化以及二值化处理,得到样本二值图像,并基于所述样本二值图像建立训练集。
进一步的,所述基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型,包括:
按烟雾浓度类别对所述训练集中的样本二值图像进行分组;
基于卷积神经网络搭建烟雾大小识别模型,以样本二值图像为输入、烟雾浓度类别为输出,对烟雾大小识别模型进行识别训练,直至达到训练要求。
进一步的,所述对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别,包括:
对摄像头实时拍摄的目标视频图像进行关键帧抽取,得到目标关键帧图像;
对所述目标关键帧进行灰度化以及二值化处理,得到目标二值图像;
将所述目标二值图像输入所述烟雾大小识别模型,由所述烟雾大小识别模型输出所述目标二值图像对应的烟雾浓度类别。
进一步的,所述对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别之前,还包括:
根据不同烟雾浓度类别确定风机的不同控制档位,并将不同的控制档位与对应的烟雾浓度类别进行关联;
所述对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别之后,还包括:
基于控制档位与烟雾浓度类别的关联关系,确定所述目标视频图像对应的烟雾浓度类别所对应的控制档位,并控制风机运行在所述控制档位。
进一步的,所述方法还包括:
响应风机档位调节操作,记录调节后的控制档位以及调节视频图像;
将所述调节视频图像加入所述训练集中,并重新对所述烟雾大小识别模型进行训练。
在第二方面,本申请实施例提供了另一种烟雾浓度检测方法,包括:
根据不同烟雾浓度类别设定不同的灰度值范围,并将风机的不同控制档位与灰度值范围进行关联;
对摄像头获取的目标视频图像进行灰度化处理,得到目标灰度图像;
基于所述目标画图画图像的平均灰度值对应的灰度值范围,确定所述目标视频图像对应的控制档位,并控制风机运行在所述控制档位。
在第三方面,本申请实施例提供了一种烟雾浓度检测装置,包括样本处理模块、模型建立模块和浓度确定模块,其中:
样本处理模块,用于对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集;
模型建立模块,用于基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型;
浓度确定模块,用于对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
在第四方面,本申请实施例提供了一种计算机设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的烟雾浓度检测方法。
在第五方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的烟雾浓度检测方法。
本申请实施例通过基于不同浓度类别的样本视频图像对烟雾大小识别模型进行训练,利用烟雾大小识别模型对摄像头实时获取的目标视频图像进行烟雾浓度类别的识别,及时对烟雾浓度大小做出准确判断,方便及时控制油烟机分级启动及运行在适用于当前烟雾浓度的档位,及时对油烟进行处理。同时,还在用户的使用过程中,根据用户对风机档位的调节操作进行记录,并对烟雾大小识别模型进行优化,优化用户体验。
附图说明
图1是本申请实施例提供的一种烟雾浓度检测方法的流程图;
图2是本申请实施例提供的另一种烟雾浓度检测方法的流程图;
图3是本申请实施例提供的另一种烟雾浓度检测方法的流程图;
图4是本申请实施例提供的一种烟雾浓度检测装置的结构示意图;
图5是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种烟雾浓度检测方法的流程图,本申请实施例提供的烟雾浓度检测方法可以由烟雾浓度检测装置来执行,该烟雾浓度检测装置可以通过硬件和/或软件的方式实现,并集成在计算机设备中。
下述以烟雾浓度检测装置执行烟雾浓度检测方法为例进行描述。参考图1,该烟雾浓度检测方法包括:
S101:对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集。
其中,样本视频图像由安装于烟雾机上的摄像头拍摄得到,该摄像头的安装位置以可拍摄到炉灶上产生的烟雾为准。例如,将摄像头安装在烟雾机面板的下方,并将摄像头的拍摄区域对向烟雾机下方的炉灶,并且摄像头的拍摄背景对向炉灶后方的平面墙,使得摄像头可以完整拍摄到炉灶上产生的烟雾,通过摄像头实时获取炉灶上烟雾从无到有产生烟雾的整个过程情况的视频图像作为样本视频图像。
进一步的,在烟雾从无到有产生烟雾的整个过程中,根据不同过程对应的烟雾浓度进行烟雾浓度类别的划分。例如,可根据实际需要定义3~10类烟雾浓度类别,不同烟雾浓度类别对应不同产生烟雾过程的不同阶段。一般的,浓度越高的烟雾浓雾类别,对应的产生烟雾的过程越靠后。
可以理解的是,可通过多次拍摄炉灶上烟雾从无到有产生烟雾的整个过程情况的多个视频图像,从而收集满足烟雾大小识别模型训练样本数量要求的样本视频图像。
具体的,在获取摄像头回传的样本视频图像后,对样本视频图像进行预处理,以对样本视频图像进行简化,提高服务器对图像处理的性能与效率。进一步的,完成样本视频图像的预处理后,基于样本视频图像建立训练集。可选的,可将样本视频图像中所有视频帧加入训练集,还可以在样本视频图像中抽取关键帧加入训练集。
S102:基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型。
示例性的,基于卷积神经网络建立烟雾大小识别模型,并以训练集中的样本视频图像作为输入,以烟雾浓度类别作为输出,对烟雾大小识别模型进行反复识别训练,最终得到准确度满足要求或者是训练次数满足要求的烟雾大小识别模型。
其中,卷积神经网络结构可以为AlexNet网络结构、VGG网络结构、GoogleLeNet网络结构以及ResNet网络结构等,本实施例不做限定。
S103:对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
示例性的,在接收到摄像头实时拍摄回传的目标视频图像时,对目标视频图像进行预处理,以对目标视频图像进行简化,提高服务器对图像处理的性能与效率。进一步的,完成目标视频图像的预处理后,将目标视频图像发送至烟雾大小识别模型中,由烟雾大小识别模型对目标视频图像进行识别并输出对应的烟雾浓度类别。
进一步的,可对不同的烟雾浓度类别设置相应的风机控制档位,在确定烟雾浓度类别后,可将油烟机的风机启动在对应的控制档位上,以及时处理油烟。
可选的,可将目标视频图像中所有视频帧输入烟雾大小识别模型,还可以在目标视频图像中抽取关键帧输入烟雾大小识别模型。可以理解的是,对目标视频图像的拍摄可以是持续进行,或者是响应于油烟机的启动而进行。
在一个可能的实施例中,在确定目标视频图像对应的烟雾浓度类别后,可在油烟机的控制面板中显示当前的烟雾浓度类型。
上述,通过基于不同浓度类别的样本视频图像对烟雾大小识别模型进行训练,利用烟雾大小识别模型对摄像头实时获取的目标视频图像进行烟雾浓度类别的识别,及时对烟雾浓度大小做出准确判断,方便及时控制油烟机分级启动及运行在适用于当前烟雾浓度的档位,及时对油烟进行处理。
图2为本申请实施例提供的另一种烟雾浓度检测方法的流程图。该烟雾浓度检测方法是对上述烟雾浓度检测方法的具体化。参考图2,该烟雾浓度检测方法包括:
S201:对摄像头拍摄的油烟产生过程的样本视频图像进行关键帧抽取,得到不同烟雾浓度类别对应的样本关键帧图像。
示例性的,通过摄像头实时获取炉灶上烟雾从无到有产生烟雾的整个过程情况的视频图像作为样本视频图像。并且在接收到摄像头回传的样本视频图像后,根据设定时间间隔先后从样本视频图像中抽取关键帧作为样本关键帧图像。
可以理解的是,不同烟雾浓度类别对应不同产生烟雾过程的不同阶段,浓度越高的烟雾浓雾类别,对应的产生烟雾的过程越靠后,抽取出的样本件件帧图像对应的烟雾浓度类别也越高。
S202:对所述样本关键帧图像进行灰度化以及二值化处理,得到样本二值图像,并基于所述样本二值图像建立训练集。
具体的,在抽取出样本关键帧图像后,对各样本关键帧图像进行灰度化处理,得到各样本关键帧图像对应的样本灰度图像。
其中,灰度图像指每个像素只使用一个采样颜色的图像,显示为从最暗黑色到最亮的白色的灰度,与纯黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度,通常灰度值范围表示为0到255,其中白色为255,黑色为0,灰度值越小颜色越深,灰度值越大颜色越趋于白色。
在获取样本关键帧图像后,对样本关键帧图像进行灰度处理从而获得灰度图像,其中以样本关键帧图像为RGB彩色图像为例(R、G、B分别为红、绿、蓝三个基色分量,其共同决定了像素点颜色),确定该样本关键帧图像每个像素点的R、G、B基色分量,依据下述公式确定每个像素点的灰度值Y:
Y=0.3R+0.59G+0.11B
上述计算方式中,根据基色的重要性及其它人脸作画参考指标,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,故绿色(G)的权值最高,取值0.59。需要说明的是,R、G、B对应的权值大小可适应性调整。在另一个实施例中,在进行灰度处理时可采取分量值法、最大值法或平均值法求取图像每个像素点的灰度值。在确定样本关键帧图像每个像素点的灰度值后,可相应得出灰度图像。其可以理解的是,灰度处理并不会影响图像的纹理特征信息,而且各像素点只需一个灰度值便可表示,有效提高图像的处理效率。
进一步的,在得到样本关键帧图像的样本灰度图像后,进一步将得到的样本灰度图像进行二值化处理及映射转换,得到各样本灰度图像对应的样本二值图像。
示例性的,以预先设定的二值化阈值为界限,将各样本灰度图像的各像素点的灰度值转换为0或255,在像素点的灰度值低于二值化阈值时转换为0,否则转换为255,即转换为黑或白两种颜色,从而有效消除图像中的背景、噪声。
其中,二值化阈值可根据待处理图像进行设定。例如,二值化阈值的设定可通过以下公式进行确定:
二值化阈值=平均灰度值=(像素点1灰度值+...+像素点N灰度值)/N
即将每张样本二值图像的平均灰度值作为二值化阈值,其中,N代表图像像素点总数。当样本灰度图像像素点的灰度值小于或等于阀值,则将该像素点标识为0,否则标识为255。
进一步的,在确定样本灰度图像每个像素点的灰度值转换后,由于0和255只有两个数,却要用8位编码来容纳,为了节省计算机存储空间,把255映射为1,即将用灰度值为0和255表示的样本灰度图像映射转换为0和1表示样本二值图像。
进一步的,创建用于训练烟雾大小识别模型的训练集,在得到样本二值图像后,将样本二值图像加入训练集中。
S203:按烟雾浓度类别对所述训练集中的样本二值图像进行分组。
示例性的,根据样本二值图像所对应的烟雾浓度范围,对样本二值图像进行分组,每个分组对应不同的烟雾浓度类别。例如,可根据实际需要定义3~10类烟雾浓度类别,并根据样本二值图像在产生烟雾的不同过程将样本二值图像分配至对应的浓度分组。
其中,样本二值图像的分组可通过人工进行,还可根据样本二值图像对应的时间进行。示例性的,可以根据产生烟雾的不同过程所对应的时间进行分段,不同的分段对应不同的浓度分组,并根据样本二值图像所对应的时间戳与时间分段的对应关系将样本二值图像与浓度分组进行对应。
可以理解的是,对样本二值图像的分组可以在加入训练集之前或之后进行,还可以是预先根据样本视频图像对应的时间段进行分组,再对样本视频图像进行灰度化以及二值化处理,本实施例以样本二值图像加入训练集之后再分组为例,实际上在对烟雾大小识别模型进行训练之前均可对图像进行分组,可根据实际需要进行设置。
S204:根据不同烟雾浓度类别确定风机的不同控制档位,并将不同的控制档位与对应的烟雾浓度类别进行关联。
具体的,对不同烟雾浓度类别,分别设置对应的风机控制档位,可以理解的是,烟雾浓度类别对应的烟雾浓度越高,对应设置的风机控制档位越高,运行在对应控制档位的风机的出力越大,对油烟的吸力越强。
进一步的,将不同的控制档位与对应的烟雾浓度类别进行关联。可选的,可通过表格、指针、链表等方式进行关联,本实施例不做限定。
S205:基于卷积神经网络搭建烟雾大小识别模型,以样本二值图像为输入、烟雾浓度类别为输出,对烟雾大小识别模型进行识别训练,直至达到训练要求。
示例性的,基于卷积神经网络建立烟雾大小识别模型,并以训练集中的样本二值图像作为输入,以烟雾浓度类别作为输出,对烟雾大小识别模型进行反复识别训练,最终得到准确度满足要求或者是训练次数满足要求的烟雾大小识别模型。
例如,基于卷积神经网络结构,并以公式y=wx+b的形式搭建烟雾大小识别模型。卷积神经网络结构根据不同烟雾浓度类别对应各分组内划入的样本二值图像,对应根据烟雾颗粒空间分布及密度情况特征,将样本二值图像分为7*7的49个方格区域(方格区域数量可根据实际情况进行调节),计算每个滑动窗口中各点的颜色值的组合特征,以得到49维特征向量,通过反复训练,从训练集各分组的样本二值图像中提取出标准模板对应各分组存入文件中。
其中,公式y=wx+b常用于神经网络当中,x为输入,y为输出,w为数据线性分割直线斜率,b为数据线性分割直线偏移值,是由样本二值图像和烟雾浓度类别作为x、y值所构成的一条直线,实现数据分割,当w改变,该直线方向也随之改变;当b>0,该直线往左边移动,否则该直线往右边移动;也就是说,只要改变w、b值,就可以改变该直线的数据分割位置。
以样本二值图像(二值图像矩阵)作为输入x,以烟雾浓度类别作为输出y,对烟雾大小识别模型进行反复训练,直至训练次数达到第一阈值(例如20万次,可根据实际情况设定),在训练停止后,可初步得到数据线性分割直线y=wx+b中的w和b的值。
进一步的,调整w和b的值,并结合方差公式,利用用于测试模型的测试视频图像(获取方式与样本视频图像获取方式类似,在此不做赘述)进行测试,直至测试方差小于第二阈值。其中,方差公式是指损失函数,其用于量化预测与真实之间的一致性,方差值越少,预测与真实越接近。
S206:对摄像头实时拍摄的目标视频图像进行关键帧抽取,得到目标关键帧图像。
具体的,通过摄像头实时获取炉灶上方的视频图像作为目标视频图像,并且在接收到摄像头回传的目标视频图像后,根据设定时间间隔先后从目标视频图像中抽取关键帧作为目标关键帧图像。
S207:对所述目标关键帧进行灰度化以及二值化处理,得到目标二值图像。
具体的,在确定目标关键帧图像后,对目标关键帧图像进行灰度化和二值化处理,得到目标二值图像。其处理过程与步骤S202中对样本关键帧图像的灰度化以及二值化处理类似,在此不做赘述。
S208:将所述目标二值图像输入所述烟雾大小识别模型,由所述烟雾大小识别模型输出所述目标二值图像对应的烟雾浓度类别。
具体的,在得到目标二值图像后,向目标二值图像输入至烟雾大小识别模型中,以得到目标二值图像对应的烟雾浓度类别。例如,烟雾大小识别模型根据从目标二值图像中提取的特征向量与标准模板进行比较,当提取的特征向量与标准模型中某一烟雾浓度类别的特征向量标准模板的相似度达到判断阈值(如85%)以上,则判断当前烟雾浓度为该标准模板所对应的烟雾浓度类别,并输出对应烟雾浓度类别。
S209:基于控制档位与烟雾浓度类别的关联关系,确定所述目标视频图像对应的烟雾浓度类别所对应的控制档位,并控制风机运行在所述控制档位。
具体的,在输出对应的烟雾浓度类型后,根据烟雾浓度类型与控制档位的关联关系,确定与该烟雾浓度类型对应的控制档位,并向风机的控制器发送控制信号,控制风机运行在该控制档位。
S210:响应风机档位调节操作,记录调节后的控制档位以及调节视频图像。
具体的,在油烟机或风机的运行过程中,对风机档位调节操作进行监视。其中,对风机的档位调节操作可通过油烟机操作面板上的调节按钮进行。在风机的控制档位被调节后,对调节后的控制档位以及对应时间段的调节视频图像进行记录。
其中,对应时间段的调节视频图像可以是在调节风机控制档位后的设定时间段回传的视频图像,或者是在调节风机控制档位前后的设定时间段回传的视频图像,在确定风机的控制档位被调节后,根据预设的时间段截取视频图像并作为调节视频图像进行保存,同时对该调节视频图像与调节后的控制档位进行关联。
S211:将所述调节视频图像加入所述训练集中,并重新对所述烟雾大小识别模型进行训练。
具体的,对调节视频图像进行关键帧抽取,得到调节关键帧图像,并对调节关键帧图像进行灰度化及二值化处理,得到调节二值化图像。对调节视频图像的关键帧抽取、灰度化及二值化处理与步骤S201-S202类似,在此不做赘述。
进一步的,在得到调节二值化图像后,根据关联的烟雾浓度类别,将调节二值化图像加入训练集对应烟雾浓度类别的分组中,对训练集进行更新,并基于更新后的训练集重新进行烟雾大小识别模型的训练。
可以理解的是,对烟雾大小识别模型的重新训练可响应于调节视频图像的新增数量达到预设数量而触发,还可以是根据预设的时间间隔或者是时间点而触发。
上述,通过基于不同浓度类别的样本视频图像对烟雾大小识别模型进行训练,利用烟雾大小识别模型对摄像头实时获取的目标视频图像进行烟雾浓度类别的识别,及时对烟雾浓度大小做出准确判断,方便及时控制油烟机分级启动及运行在适用于当前烟雾浓度的档位,及时对油烟进行处理。同时,还在用户的使用过程中,根据用户对风机档位的调节操作进行记录,并对烟雾大小识别模型进行优化,优化用户体验。
图3给出了本申请实施例提供的另一种烟雾浓度检测方法的流程图,本申请实施例提供的烟雾浓度检测方法可以由烟雾浓度检测装置来执行,该烟雾浓度检测装置可以通过硬件和/或软件的方式实现,并集成在计算机设备中。该烟雾浓度检测方法与上述烟雾浓度检测方法的区别在于,本实施例通过目标视频图像的平均灰度值代替上述实施例烟雾大小识别模型对烟雾浓度类别的判断。
下述以烟雾浓度检测装置执行烟雾浓度检测方法为例进行描述。参考图3,该烟雾浓度检测方法包括:
S301:根据不同烟雾浓度类别设定不同的灰度值范围,并将风机的不同控制档位与灰度值范围进行关联。
具体的,针对不同烟雾浓度类别对应的平均灰度值所对应的范围,将灰度值0~255划分为若干灰度值范围(例如3~10个灰度值范围),例如,将灰度值0~255划分为3个灰度值范围,分别为0~80、81~160、161~255,并从小到大为每个灰度值范围对应的灰度值范围设定一个油烟机风机的控制档位,并将控制档位与灰度值范围进行关联。
S302:对摄像头获取的目标视频图像进行灰度化处理,得到目标灰度图像。
具体的,通过摄像头实时获取炉灶上方的视频图像作为目标视频图像,并且在接收到摄像头回传的目标视频图像后,根据设定时间间隔先后从目标视频图像中抽取关键帧作为目标关键帧图像。进一步的,对目标关键帧图像进行灰度化处理,得到目标灰度图像。
S303:基于所述目标画图画图像的平均灰度值对应的灰度值范围,确定所述目标视频图像对应的控制档位,并控制风机运行在所述控制档位。
具体的,在得到目标灰度图像后,提取并计算目标灰度图像中包涵的像素点的平均灰度值,并判断该平均灰度值随对应的灰度值范围,从而确定烟雾浓度的大小。例如,若计算得出目标灰度图像的平均灰度值为70,则该平均灰度值所对应的灰度值范围为0~80。
进一步的,在确定目标画图画图像的平均灰度值对应的灰度值范围后,根据控制档位与灰度值范围的关联关系,确定适用于当前灰度值范围控制档位,并控制风机运行在该控制档位。
上述,基于实时获取的目标视频图像得到目标灰度图像,并根据目标灰度图像的平均灰度值确定所对应的灰度值范围,及时对烟雾浓度大小做出准确判断,并确定合适的风机控制档位,方便及时控制油烟机分级启动及运行在适用于当前烟雾浓度的档位,及时对油烟进行处理。
在一个可能的实施例中,在控制风机运行在所述控制档位后,还包括:响应风机档位调节操作,记录调节后的控制档位以及调节视频图像,并对控制档位与灰度值范围的关联关系进行更新。
示例性的,在启动风机后,响应风机档位调节操作,记录调节后的控制档位以及调节视频图像,获取该调节视频图像各调节灰度图像的平均灰度值,并根据用户设置的控制档位将该灰度值范围设置为该控制档位,其余各灰度值范围设置对应的控制档位均对应调整(例如根据改变的控制档位幅度上调或下调控制档位),下次风机启动时,则根据新调整的控制档位进行启动。
图4为本申请实施例提供的一种烟雾浓度检测装置的结构示意图。参考图4,本实施例提供的烟雾浓度检测装置包括样本处理模块41、模型建立模块42和浓度确定模块43。
其中,样本处理模块41,用于对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集;模型建立模块42,用于基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型;浓度确定模块43,用于对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
上述,通过基于不同浓度类别的样本视频图像对烟雾大小识别模型进行训练,利用烟雾大小识别模型对摄像头实时获取的目标视频图像进行烟雾浓度类别的识别,及时对烟雾浓度大小做出准确判断,方便及时控制油烟机分级启动及运行在适用于当前烟雾浓度的档位,及时对油烟进行处理。
本申请实施例还提供了一种计算机设备,该计算机设备可集成本申请实施例提供的烟雾浓度检测装置。图5是本申请实施例提供的一种计算机设备的结构示意图。参考图5,该计算机设备包括:输入装置53、输出装置54、存储器52以及一个或多个处理器51;所述存储器52,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器51执行,使得所述一个或多个处理器51实现如上述实施例提供的烟雾浓度检测方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器52作为一种计算设备可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的烟雾浓度检测方法对应的程序指令/模块(例如,烟雾浓度检测装置中的样本处理模块41、模型建立模块42和浓度确定模块43)。存储器52可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器52可进一步包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的烟雾浓度检测方法。
上述提供的烟雾浓度检测装置和计算机可用于执行上述实施例提供的烟雾浓度检测方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的烟雾浓度检测方法,该烟雾浓度检测方法包括:对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集;基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型;对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的烟雾浓度检测方法,还可以执行本申请任意实施例所提供的烟雾浓度检测方法中的相关操作。
上述实施例中提供的烟雾浓度检测装置、设备及存储介质可执行本申请任意实施例所提供的烟雾浓度检测方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的烟雾浓度检测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种烟雾浓度检测方法,其特征在于,包括:
对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集;
基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型;
对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
2.根据权利要求1所述的烟雾浓度检测方法,其特征在于,所述对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集,包括:
对摄像头拍摄的油烟产生过程的样本视频图像进行关键帧抽取,得到不同烟雾浓度类别对应的样本关键帧图像;
对所述样本关键帧图像进行灰度化以及二值化处理,得到样本二值图像,并基于所述样本二值图像建立训练集。
3.根据权利要求2所述的烟雾浓度检测方法,其特征在于,所述基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型,包括:
按烟雾浓度类别对所述训练集中的样本二值图像进行分组;
基于卷积神经网络搭建烟雾大小识别模型,以样本二值图像为输入、烟雾浓度类别为输出,对烟雾大小识别模型进行识别训练,直至达到训练要求。
4.根据权利要求1所述的烟雾浓度检测方法,其特征在于,所述对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别,包括:
对摄像头实时拍摄的目标视频图像进行关键帧抽取,得到目标关键帧图像;
对所述目标关键帧进行灰度化以及二值化处理,得到目标二值图像;
将所述目标二值图像输入所述烟雾大小识别模型,由所述烟雾大小识别模型输出所述目标二值图像对应的烟雾浓度类别。
5.根据权利要求1所述的烟雾浓度检测方法,其特征在于,所述对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别之前,还包括:
根据不同烟雾浓度类别确定风机的不同控制档位,并将不同的控制档位与对应的烟雾浓度类别进行关联;
所述对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别之后,还包括:
基于控制档位与烟雾浓度类别的关联关系,确定所述目标视频图像对应的烟雾浓度类别所对应的控制档位,并控制风机运行在所述控制档位。
6.根据权利要求5所述的烟雾浓度检测方法,其特征在于,所述方法还包括:
响应风机档位调节操作,记录调节后的控制档位以及调节视频图像;
将所述调节视频图像加入所述训练集中,并重新对所述烟雾大小识别模型进行训练。
7.一种烟雾浓度检测方法,其特征在于,包括:
根据不同烟雾浓度类别设定不同的灰度值范围,并将风机的不同控制档位与灰度值范围进行关联;
对摄像头获取的目标视频图像进行灰度化处理,得到目标灰度图像;
基于所述目标画图画图像的平均灰度值对应的灰度值范围,确定所述目标视频图像对应的控制档位,并控制风机运行在所述控制档位。
8.一种烟雾浓度检测装置,其特征在于,包括样本处理模块、模型建立模块和浓度确定模块,其中:
样本处理模块,用于对不同烟雾浓度类别对应的样本视频图像进行预处理,并基于所述样本视频图像建立训练集;
模型建立模块,用于基于卷积神经网络和所述训练集,以样本视频图像为输入、烟雾浓度类别为输出进行识别训练,建立烟雾大小识别模型;
浓度确定模块,用于对摄像头获取的目标视频图像进行预处理,并利用所述烟雾大小识别模型确定所述目标视频图像对应的烟雾浓度类别。
9.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一所述的烟雾浓度检测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的烟雾浓度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010184773.5A CN111401246B (zh) | 2020-03-17 | 2020-03-17 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010184773.5A CN111401246B (zh) | 2020-03-17 | 2020-03-17 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401246A true CN111401246A (zh) | 2020-07-10 |
CN111401246B CN111401246B (zh) | 2024-06-04 |
Family
ID=71432579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010184773.5A Active CN111401246B (zh) | 2020-03-17 | 2020-03-17 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401246B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811202A (zh) * | 2020-07-17 | 2020-10-23 | 山东神舟制冷设备有限公司 | 一种除霜控制方法、装置、设备及计算机存储介质 |
CN111882584A (zh) * | 2020-07-29 | 2020-11-03 | 广东智媒云图科技股份有限公司 | 一种通过灰度图像进行油烟量判断的方法及装置 |
CN111898525A (zh) * | 2020-07-29 | 2020-11-06 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
CN112052823A (zh) * | 2020-09-17 | 2020-12-08 | 江苏怀业信息技术股份有限公司 | 目标检测方法和装置 |
CN114101109A (zh) * | 2021-11-29 | 2022-03-01 | 华电电力科学研究院有限公司 | 一种直吹式制粉系统管道在线监测系统及方法 |
CN114429589A (zh) * | 2022-04-07 | 2022-05-03 | 北京理工大学 | 一种氢气泄漏浓度分布预测方法及系统 |
CN114973110A (zh) * | 2022-07-27 | 2022-08-30 | 四川九通智路科技有限公司 | 一种高速公路气象在线监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN105469105A (zh) * | 2015-11-13 | 2016-04-06 | 燕山大学 | 一种基于视频监控的香烟烟雾检测方法 |
CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
US20180073759A1 (en) * | 2016-09-13 | 2018-03-15 | Board Of Trustees Of Michigan State University | Intelligent Sensing System For Indoor Air Quality Analytics |
CN109237582A (zh) * | 2018-11-15 | 2019-01-18 | 珠海格力电器股份有限公司 | 基于图像识别的吸油烟机控制方法、控制系统、吸油烟机 |
CN109883907A (zh) * | 2017-12-06 | 2019-06-14 | 九阳股份有限公司 | 一种基于图像的烹饪烟雾检测方法和智能烟机 |
-
2020
- 2020-03-17 CN CN202010184773.5A patent/CN111401246B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN105469105A (zh) * | 2015-11-13 | 2016-04-06 | 燕山大学 | 一种基于视频监控的香烟烟雾检测方法 |
US20180073759A1 (en) * | 2016-09-13 | 2018-03-15 | Board Of Trustees Of Michigan State University | Intelligent Sensing System For Indoor Air Quality Analytics |
CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
CN109883907A (zh) * | 2017-12-06 | 2019-06-14 | 九阳股份有限公司 | 一种基于图像的烹饪烟雾检测方法和智能烟机 |
CN109237582A (zh) * | 2018-11-15 | 2019-01-18 | 珠海格力电器股份有限公司 | 基于图像识别的吸油烟机控制方法、控制系统、吸油烟机 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811202A (zh) * | 2020-07-17 | 2020-10-23 | 山东神舟制冷设备有限公司 | 一种除霜控制方法、装置、设备及计算机存储介质 |
CN111882584A (zh) * | 2020-07-29 | 2020-11-03 | 广东智媒云图科技股份有限公司 | 一种通过灰度图像进行油烟量判断的方法及装置 |
CN111898525A (zh) * | 2020-07-29 | 2020-11-06 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
CN111898525B (zh) * | 2020-07-29 | 2024-08-02 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
CN112052823A (zh) * | 2020-09-17 | 2020-12-08 | 江苏怀业信息技术股份有限公司 | 目标检测方法和装置 |
CN114101109A (zh) * | 2021-11-29 | 2022-03-01 | 华电电力科学研究院有限公司 | 一种直吹式制粉系统管道在线监测系统及方法 |
CN114101109B (zh) * | 2021-11-29 | 2024-02-27 | 华电电力科学研究院有限公司 | 一种直吹式制粉系统管道在线监测系统及方法 |
CN114429589A (zh) * | 2022-04-07 | 2022-05-03 | 北京理工大学 | 一种氢气泄漏浓度分布预测方法及系统 |
CN114973110A (zh) * | 2022-07-27 | 2022-08-30 | 四川九通智路科技有限公司 | 一种高速公路气象在线监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111401246B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401246B (zh) | 一种烟雾浓度检测方法、装置、设备及存储介质 | |
US20200167554A1 (en) | Gesture Recognition Method, Apparatus, And Device | |
CN104851112B (zh) | 一种基于数据集补偿的运动目标检测跟踪算法的评估方法 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
JP4629364B2 (ja) | シーンの背景を表現する背景画像を適応的に更新する方法 | |
CN109815881A (zh) | 行为识别模型的训练方法、行为识别方法、装置及设备 | |
CN112699801B (zh) | 基于视频图像的火灾识别方法及系统 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN103105924B (zh) | 人机交互方法和装置 | |
CN105678245A (zh) | 一种基于哈尔特征的靶位识别方法 | |
CN110599514A (zh) | 图像分割的方法、装置、电子设备及存储介质 | |
CN115661720A (zh) | 一种被遮挡车辆的目标跟踪识别方法及系统 | |
CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
CN106611165B (zh) | 一种基于相关滤波和颜色匹配的汽车车窗检测方法及装置 | |
CN116385758A (zh) | 基于YOLOv5网络对传送带表面损伤的检测方法 | |
CN111882584A (zh) | 一种通过灰度图像进行油烟量判断的方法及装置 | |
CN108765463A (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN103425958B (zh) | 一种视频中不动物检测的方法 | |
CN117649694A (zh) | 一种基于图像增强的人脸检测方法、系统及装置 | |
CN113255549A (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
CN111898525B (zh) | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
CN110728316A (zh) | 一种课堂行为检测方法、系统、装置和存储介质 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |