CN111898549A - 基于人工智能的火情监测方法、装置、计算机设备和介质 - Google Patents
基于人工智能的火情监测方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN111898549A CN111898549A CN202010761701.2A CN202010761701A CN111898549A CN 111898549 A CN111898549 A CN 111898549A CN 202010761701 A CN202010761701 A CN 202010761701A CN 111898549 A CN111898549 A CN 111898549A
- Authority
- CN
- China
- Prior art keywords
- image
- flame
- value
- pixel
- quadrant
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000779 smoke Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009423 ventilation 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Abstract
本申请实施例属于人工智能领域,应用于智慧城管领域中,涉及一种基于人工智能的火情监测方法,包括均分获取到的火焰图像,得到象限图像;检测在所述象限图像中是否存在满足第一火焰区间条件的像素点;若存在,则第一高亮处理所述象限图像,得到第一高亮图像;将所述第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。本申请还提供一种基于人工智能的火情监测装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,所述火焰图像和火情监测结果还存储于区块链中。采用本方法解决了现有技术中模型泛化,火情监测不准确的问题。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种基于人工智能的火情监测方法、装置、计算机设备和存储介质。
背景技术
现在的医院、学校、商超等场景的火灾预防系统中,大多采用烟雾报警器进行对烟雾进行识别,但一些情况下也存在局限,如山林、开阔的仓库等露天或者通风性良好的场景,由于烟雾很难接触到报警器,或者由于空气流通烟雾浓度过低,无法触发烟雾报警器,系统漏报导致人民生命财产的损失;其次,烟雾报警器为硬件设备,建设难度比较大,建设和维护成本比较高,如果在山林或者农田,需监控范围过大,更是很难覆盖多数区域。
而通过图像采集,然后通过人工智能的方式进行识别,又因为发生火灾时可能会遇到各种因素,例如光照、背景反光、物体色彩过于接近、发生火情情况离摄像设备的远近程度等,会影响识别结果,导致误报。如果根据不同场景,训练一个神经网络模型,会由于过于泛化,不会得到理想的测试结果,导致火情监测结果不准确的技术问题。
发明内容
基于此,针对上述技术问题,本申请提供一种基于人工智能的火情监测方法、装置、计算机设备及存储介质,以解决现有技术中火情监测结果不准确的技术问题。
一种基于人工智能的火情监测方法,所述方法包括:
均分获取到的火焰图像,得到象限图像;
检测在所述象限图像中是否存在满足第一火焰区间条件的像素点;
若存在,则第一高亮处理所述象限图像,得到第一高亮图像;
将所述第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。
一种基于人工智能的火情监测装置,所述装置包括:
均分模块,用于均分获取到的火焰图像,得到象限图像;
检测模块,用于检测在所述象限图像中是否存在满足第一火焰区间条件的像素点;
第一高亮模块,用于当存在时,则第一高亮处理所述象限图像,得到第一高亮图像;
第一输出模块,用于将所述第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。
一种计算机设备,包括存储器和处理器,以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于人工智能的火情监测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于人工智能的火情监测方法的步骤。
上述基于人工智能的火情监测方法、装置、计算机设备和存储介质,通过将图片分割为等分为多个象限图像进行分别的火焰轮廓高亮处理,然后输入到训练好的一个神经网络模型中,仅用于火苗轮廓的识别,不需要关心场景的特征,解决了现有技术中模型泛化,导致火情监测结果不准确的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为基于人工智能的火情监测方法的应用环境示意图;
图2为基于人工智能的火情监测方法的流程示意图;
图3为基于人工智能的火情监测方法另一实施例中的流程示意图;
图4为基于人工智能的火情监测方法装置的示意图;
图5为一个实施例中计算机设备的示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本申请的目的、技术方案及优点更加清楚明白,下面结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。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。
本发明实施例提供的基于人工智能的火情监测方法,可以应用于如图1所示的应用环境中。其中,该应用环境可以包括终端102、网络以及服务端104,网络用于在终端102和服务端104之间提供通信链路介质,网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端102通过网络与服务端104交互,以接收或发送消息等。终端102上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端102可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务端104可以是提供各种服务的服务器,例如对终端102上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的火情监测方法一般由服务端/终端执行,相应地,基于人工智能的火情监测装置一般设置于服务端/终端设备中。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请可应用于智慧城市领域中,从而推动智慧城市的建设。
应该理解,图1中的终端、网络和服务端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
其中,终端102通过网络与服务端104进行通信。服务端104从终端102获取火焰图像,并对其进行均分处理,再对满足第一火焰区间条件的像素点所对应的像素点对应的象限图像,得到第一高亮图像,输入到火焰检测模型中,输出火情监测结果。其中,终端102和服务端104之间通过网络进行连接,该网络可以是有线网络或者无线网络,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务端104可以用独立的服务器或者是多个组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人工智能的火情监测方法,以该方法应用于图1中的服务端为例进行说明,包括以下步骤:
步骤202,均分获取到的火焰图像,得到象限图像。
火焰图像是通过终端,比如手机、烟雾报警器、摄像头等采集并上传到服务端的周边一定范围的图像,而这些图像中可能会包含行人、火焰等,在不同场景下,采集到的图像会有一些区别。均分采集到的火焰图像是为了将更好的对不同分区的象限图像进行对应的处理,避免对整张图像进行泛化处理,防止火焰在图像中尺寸很小的场景下,服务端会忽略掉对该火焰的处理和识别,导致的识别不准确的技术问题。
具体地,需要计算火焰图像的宽和高,并分别等分宽和高,得到多个同等大小的象限图像,比如将火焰图像均分为2个象限、4个象限、6个象限、9个象限。
考虑到后续火焰识别的整体性,在等分火焰图像时,还需要对等分火焰的份数进行限定,以防火焰分割得太多,将一整个火焰分割,火焰不完整,后续无法根据火焰的形状结构准确进行可火情监测的技术问题,一般切割得到的分数应该不超过10。
优选的,可以将火焰图像均分为4个象限,以1080*720px的图片为例,计算图片的宽高,取得长为1080px,高为720px,分别除以2,得到4个520*360px的图片。这样既可以保证区分开来非火焰区域,也能保证火焰的整体性,提高监测准确度。
步骤204,检测在象限图像中是否存在满足第一火焰区间条件的像素点。
第一火焰区间条件是用于判断象限图像中是否可能存在火焰怀疑区间的条件,火焰怀疑区间是至少一个像素点的RGB值在第一火焰区间条件中第一火焰区间的范围内。这里说的在第一火焰区间的范围是指像素点的R值和G值都在第一火焰区间中,而B值是否在第一火焰区间中并不做限定。
步骤206,若存在,则第一高亮处理象限图像,得到第一高亮图像。
在一个实施例中,若某象限图像中的至少一个像素点在第一火焰区间条件中,则可以将该象限图像视为包括火焰怀疑区间的象限图像,并对该象限图像进行第一高亮处理。
具体地,根据第一火焰区间条件将象限图像中的像素点,分为第一像素数据和第二像素数据。
比如,第一火焰区间条件可定为像素点的像素值满足在[255,114,111]到[204,211,154]的范围内,那么可以检测该象限图像中的像素点,将在[255,114,111]到[204,211,154]的范围内的像素点作为第一像素数据,将在[255,114,111]到[204,211,154]的范围外的像素点作为第二像素数据,然后分别对第一像素数据和第二像素数据进行处理。
进一步地,将象限图像中R值和G值在第一火焰区间内的像素点作为第一像素数据;将R值和G值在第一火焰区间外的像素点作为第二像素数据。在对像素点进行划分时,并不限制于像素点的B值,因为由于火焰的特性是多彩的、有渐变情况的、多为红黄色系组成的,但是同时不会有蓝色系、绿色系等情况,所以在进行像素点划分时,在已经考虑到R值和G值的基础上,无需再考虑B值,以防处理过拟合的情况,造成火情监测的准确度下降。
进一步地,对该象限图像中的像素点进行类别划分后,还需要对不同类的像素点进行处理,比如:对第一像素数据进行第一像素处理,对第二像素数据做第二像素处理,得到第一高亮图像。
其中,第一像素处理是指将像素点进行高亮处理,即将第一像素数据的像素点的像素值都设为一个设定的数值,比如,将R值、G值以及B值都设为255,即高亮为白色;设为红色[255,0,0]、绿色[0,255,0]、黄色[255,255,0]等等诸如此类。
其中,第二像素处理是指将像素点进行反高亮处理,即将第二像素数据的像素点的像素值设定一个与第一像素数据的像素值完全相反、或者不相近的数值,比如可以设为黑色[0,0,0],或者当第一像素数据的像素点不是白色时,将第二像素数据的像素点设为白色,只要能够在图中突出火焰怀疑区间的颜色,使其不与作为火焰背景的第二像素数据相似,造成后续火焰的形状结构识别困难即可,所以并不限制第一像素处理和第二像素处理。
优选的,可以将第一像素数据设为黄色高亮,而将第二像素数据设为黑色,作为背景,最后得到火焰和背景颜色分明的第一高亮图像。
通过这种方式可以突出火焰的形状,为后续的火焰形状处理提供方便,提高了火情监测效率和准确度。而且,通过这种方式,就算在图像中检测到与落入第一火焰区间中的非火焰像素点,也可以在后续模型的火焰形状识别中得到更准确的检测结果,不忽视每一张可疑的图像,提高火情监测的准确率。
步骤208,将第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。
在将第一高亮图像输入到火焰检测模型中之前,还需要对火焰检测模型进行训练:将标记拥有火苗样式的图片样本输入到待训练的火焰检测模型中,其中,图片样本的背景为黑色,火苗为高亮,这样图片样本可通过前期大量的存在火焰图片通过高亮的操作得到,而且边缘特征也特别明显。我们可以使用目标检测神经网络进行训练,让这些图片样本输入到目标检测神经网络,目标检测神经网络会提取它们的共同特征,作为一个预测模型,最终得到检测火苗的火焰检测模型。
比如,服务端在检测时,可以通过火焰检测模型对从视频流截取帧中得到的4个象限,使用图像处理技术对落入“怀疑区间”的对象进行高亮处理,从而得到背景为黑色,对象为高亮的象限图像。再将这样的象限图像输入到神经网络中进行检测,判断象限图像中的高亮对象是否具有火苗特征。
此外,本实施例还可以通过检测视频流中多张不同时间线的火焰图像,对比识别到的多个火焰形状,看是否有变化,以此来判断识别到的火焰是图画,还是真实的变化的火焰,提高火情监测精准度。
通过本实施例可以根据不同的环境,测算出可以触发火苗高亮的RGB阈值,并且都是通过计算机完成,将一张图片分为4个象限,排除局部的干扰因子,对一整张图片的RGB值的“怀疑区间”造成影响,导致不会得到准确的“怀疑区间”。例如,某张图片的太阳光照从左上角,此象限的明度、饱和度等参数会与其他三个象限不同,此时如果使用统一的“怀疑区间”,可能会导致火苗无法高亮出来,影响后面的流程。而本申请是将一张图像分为四个象限,然后分别进行是否符合第一火焰区间条件的条件判定,并将符合的进行高亮处理,标出火焰的形状,这样就可以排除局部干扰因子对火焰形状轮廓识别的影响,使得识别更加准确。
在一个实施例中,如图3所示,在步骤204之后,还包括:
步骤302,若不存在,则像素加值处理所述象限图像,得到加值处理后的象限图像。
不存在象限图像满足第一火焰区间条件的可能性有很多,比如因为烟雾、阴雨天、对焦不准等原因,导致的火焰图像不清晰。在一些特殊场合,比如化工厂,在发生火情时,可能会出现蓝色或者绿色的烟雾,从而遮挡了火焰原本的红黄的颜色,造成服务端识别不准确的情况。
当出现这种情况时,可以对不满足第一火焰区间条件的象限图像进行像素加值处理。具体地,计算所述象限图像的像素平均值;获取像素值不小于所述像素平均值的像素点,作为第三像素数据;为所述第三像素数据中的各像素点的像素值加上所述第一预设值,得到所述加值处理后的象限图像。
因为对于与火焰RGB区间无重叠的象限图像,需要确定其火焰阈值范围,然后对其进行高亮处理,以防出现漏网之鱼,错过火焰,导致的误判的情况,所以需要先计算每一象限图像的像素平均值,即,RGB平均值。因为在有火焰的图像中,火焰是比较亮堂的,它的火焰背景会比较暗,导致这个计算得到的RGB平均值会在真实的火焰的RGB值和火焰背景的RGB值之间,也就是说,真实的火焰RGB值会在计算得到的RGB平均值之上,而计算这个阈值就是为了将火焰的纹路高亮出来。
这样就无需对象限图像中所有的像素点进行加值处理,而只对那些可能是火焰的像素点进行处理,大大降低了数据处理量,提高了对火情监测的效率。
进一步地,本实施例会把得到的RGB平均值作为第一阈值序列,然后根据第一预设值在第一阈值序列的基础上得到第二阈值序列。例如,在[平均R值,平均G值,平均B值]的基础上,对平均R值和平均G值进行一个第一预设值N的增加,该第一预设值尽可能小,本实施例可以预设N=5,添加后得到的第二阈值序列[mR+5,mG+5,mB],最后每一次更新第一预设值,也相应地更新一次第二阈值序列,后续直接将第二阈值序列作为判断象限图像的像素平均值是否达到像素设定值的标准,无需每次都计算加值处理后的象限图像的设定平均值,降低数据处理量。
其中,更新第一预设值可以是在每次加值处理后将第一预设值每次递增一个初始化的第一预设值的数,比如每次都加上5。
步骤304,检测所述加值处理后的象限图像是否符合第一火焰区间条件。
检测加值处理后的象限图像中是否存在满足第一火焰区间条件的像素点;为第三像素数据中的各像素点加上第一预设值m后,可能会出现某像素点的R值和G值落入第一火焰区间中的情况,当出现R值和G值都落入第一火焰区间的情况,则说明该象限图像满足第一火焰区间条件,则可以对该象限图像进行第一高亮处理的操作。
可选地,也可以选择,R值或G值中的任一项落入第一火焰区间作为判断是否存在火焰的情况,但是考虑到火焰大部分是绿色调与红色调融合而出的红绿色调,所以优选以R值和G值都落入区间内进行判断。
步骤306,若符合,则第一高亮处理所述加值处理后的象限图像,得到第二高亮图像,并将所述第二高亮图像输入到所述火焰检测模型中,输出所述火情监测结果。
即,若符合第一火焰区间条件,则对加值处理后的象限图像重复第一高亮处理的操作,将其分为第一像素数据和第二像素数据。第一火焰区间条件包括第一火焰区间,将在R值和G值在第一火焰区间中的像素点作为第一像素数据,反之,作为第二像素数据。并对第一像素数据进行第一像素处理、对第二像素数据进行第二像素处理,得到第二高亮图像。即,将第一像素数据高亮处理得到火焰怀疑区间,将第二像素数据的像素值全部设为0,得到火焰背景区间,好区分开火焰和火焰背景,得到清晰的火焰形状结构图像,得到第二高亮图像。
可选地,若不符合,则重复像素加值处理、检测的操作,直到加值处理后的象限图像符合所述第一火焰区间条件,或所述加值处理后的象限图像的像素平均值大于设定平均值,则直接删除所述加值处理后的象限图像,并指示所述火焰检测模型直接输出无火情的火情监测结果。
因为对于普通的火焰来说,火焰像素点的RGB值集合会在像素平均值[mR,mG,mB]之上,所以将[mR,mG,mB]设置为第一阈值序列;加上火焰的红色分量和绿色分量会很大,并且绿色分量会大于蓝色分量,在第一阈值序列[mR,mG,mB]基础上,对像素平均值大于第一阈值序列的像素值上的R值、G值,这两个分量进行数值增加,从而计算出属于每个象限的“怀疑区间”。
例如,在[平均R值,平均G值,平均B值]的基础上,对平均R值和平均G值进行一个第一预设值N的增加,该第一预设值尽可能小,本实施例可以预设N=5,添加后得到的第二阈值序列[mR+5,mG+5,mB],最后每一次更新第一预设值,也相应地更新一次第二阈值序列,后续直接将第二阈值序列作为判断象限图像的像素平均值是否达到设定平均值的标准,无需每次都计算加值处理后的象限图像的像素平均值,降低数据处理量。
可选地,当第二阈值序列达到了像素设定值依旧无法得到符合第一火焰区间条件的加值处理后的象限图像时,还可以直接删除得到的加值处理后的象限图像,并指示所述火焰检测模型输出无火情的火情监测结果。比如,在更新后的待检测图像的像素平均值达到第二预设值,比如达到[225,225,mB],还未满足第一火焰区间条件。
本实施例将像素平均值达到设定平均值,仍然非全黑的图像直接舍弃,以降低模型的数据处理量,无需使用神经网络模型做到“每帧必检”,可以将计算压力分到CPU服务器,节省GPU服务器硬件资源,大大降低投入成本。
此外,还可以直接将加值处理后的象限图像也作为第二高亮图像输入到模型中进行预测,防止真的出现漏网之鱼。
需要强调的是,为进一步保证信息的私密和安全性,上述火焰图像和火情监测结果还可以存储于一区块链的节点中。
本实施例通过对象限图像进行第一高亮处理的操作,避免了极端情况下,对于与火焰RGB区间无重叠的象限图片进行进一步地把控处理,以防出现漏网之鱼,错过火焰导致火情误判的情况。
应该理解的是,虽然图2-图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于人工智能的火情监测装置,该基于人工智能的火情监测装置与上述实施例中基于人工智能的火情监测方法一一对应。该基于人工智能的火情监测装置包括:
均分模块402,用于均分获取到的火焰图像,得到象限图像。
检测模块404,用于检测在象限图像中是否存在满足第一火焰区间条件的像素点。
第一高亮模块406,用于当存在时,则第一高亮处理象限图像,得到第一高亮图像。
第一输出模块408,用于将第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。
需要强调的是,为进一步保证上述火焰图像、火情监测结果的私密和安全性,上述火焰图像、火情监测结果信息还可以存储于一区块链的节点中。
进一步地,在检测模块404之后,基于人工智能的火情监测装置还包括:
第一加值处理模块,用于当不存在时,则像素加值处理所述象限图像,得到加值处理后的象限图像;
加值检测模块,用于检测所述加值处理后的象限图像是否符合第一火焰区间条件;
第二高亮模块,用于若符合,第一高亮处理所述加值处理后的象限图像,得到第二高亮图像,并将所述第二高亮图像输入到所述火焰检测模型中,输出所述火情监测结果。
进一步地,在加值检测模块之后,还包括:
第三高亮模块,用于当不符合时,重复像素加值处理、检测的操作,直到加值处理后的象限图像符合所述第一火焰区间条件,或所述加值处理后的象限图像的像素平均值大于设定平均值,则直接删除所述加值处理后的象限图像,并指示所述火焰检测模型直接输出无火情的火情监测结果。
进一步地,第一高亮模块406,包括:
划分子模块,用于根据所述第一火焰区间条件将所述象限图像中的像素点,分为第一像素数据和第二像素数据;
像素处理子模块,用于对所述第一像素数据进行第一像素处理,对第二像素数据做第二像素处理,得到所述第一高亮图像。
进一步地,划分子模块,包括:
第一划分单元,用于将所述象限图像中R值和G值在所述第一火焰区间内的像素点作为第一像素数据;
第二划分单元,用于将R值和G值在所述第一火焰区间外的像素点作为第二像素数据。
进一步地,第一加值处理模块,包括:
加值子模块,用于为所述象限图像中各像素点的像素值加上第一预设值,得到所述加值处理后的象限图像,并更新所述第一预设值。
进一步地,加值子模块,包括:
均值单元,用于计算所述象限图像的像素平均值;
获取单元,用于获取像素值不小于所述像素平均值的像素点,作为第三像素数据;
加值单元,用于为所述第三像素数据中的各像素点的像素值加上所述第一预设值,得到所述加值处理后的象限图像。
上述基于人工智能的火情监测装置,通过本实施例可以根据不同的环境,测算出可以触发火苗高亮的RGB阈值,并且都是通过计算机完成,将一张图片分为4个象限,排除局部的干扰因子,对一整张图片的RGB值的“怀疑区间”造成影响,导致不会得到准确的“怀疑区间”。例如,某张图片的太阳光照从左上角,此象限的明度、饱和度等参数会与其他三个象限不同,此时如果使用统一的“怀疑区间”,可能会导致火苗无法高亮出来,影响后面的流程。而且,本实施例还针对不同的场景,对不符合第一火焰区间条件的象限图像提取一个像素平均值作为阈值,并根据该阈值对象限图像进行像素加值处理,重新进行是否符合第一火焰区间条件的判断,以防因特殊场景造成火焰识别不准确的情况。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储火焰图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的火情监测方法。通过本实施例可以根据不同的环境,测算出可以触发火苗高亮的RGB阈值,并且都是通过计算机完成,针对不同的场景,提取阈值。将一张图片分为4个象限,排除局部的干扰因子,对一整张图片的RGB值的“怀疑区间”造成影响,导致不会得到准确的“怀疑区间”。例如,某张图片的太阳光照从左上角,此象限的明度、饱和度等参数会与其他三个象限不同,此时如果使用统一的“怀疑区间”,可能会导致火苗无法高亮出来,影响后面的流程。
其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中基于人工智能的火情监测方法的步骤,例如图2所示的步骤202至步骤208,或者,处理器执行计算机程序时实现上述实施例中基于人工智能的火情监测装置的各模块/单元的功能,例如图4所示模块402至模块408的功能。
通过本实施例可以根据不同的环境,测算出可以触发火苗高亮的RGB阈值,并且都是通过计算机完成,针对不同的场景,提取阈值。将一张图片分为4个象限,排除局部的干扰因子,对一整张图片的RGB值的“怀疑区间”造成影响,导致不会得到准确的“怀疑区间”。例如,某张图片的太阳光照从左上角,此象限的明度、饱和度等参数会与其他三个象限不同,此时如果使用统一的“怀疑区间”,可能会导致火苗无法高亮出来,影响后面的流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形、改进或者对部分技术特征进行等同替换,而这些修改或者替换,并不使相同技术方案的本质脱离本发明个实施例技术方案地精神和范畴,都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的火情监测方法,其特征在于,所述方法包括:
均分获取到的火焰图像,得到象限图像;
检测在所述象限图像中是否存在满足第一火焰区间条件的像素点;
若存在,则第一高亮处理所述象限图像,得到第一高亮图像;
将所述第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。
2.根据权利要求1所述的方法,其特征在于,在所述检测象限图像中是否存在满足第一火焰区间条件的像素点之后,还包括:
若不存在,则像素加值处理所述象限图像,得到加值处理后的象限图像;
检测所述加值处理后的象限图像是否符合第一火焰区间条件;
若符合,则第一高亮处理所述加值处理后的象限图像,得到第二高亮图像,并将所述第二高亮图像输入到所述火焰检测模型中,输出所述火情监测结果。
3.根据权利要求2所述的方法,其特征在于,在所述检测所述加值处理后的象限图像是否符合第一火焰区间条件之后,还包括:
若不符合,则重复像素加值处理、检测的操作,直到加值处理后的象限图像符合所述第一火焰区间条件,或
所述加值处理后的象限图像的像素平均值大于设定平均值,则直接删除所述加值处理后的象限图像,并指示所述火焰检测模型直接输出无火情的火情监测结果。
4.根据权利要求2所述的方法,其特征在于,所述像素加值处理所述象限图像,得到加值处理后的象限图像,包括:
为所述象限图像中各像素点的像素值加上第一预设值,得到所述加值处理后的象限图像,并更新所述第一预设值。
5.根据权利要求4所述的方法,其特征在于,所述为所述象限图像中各像素点的像素值加上第一预设值,得到所述加值处理后的象限图像,包括:
计算所述象限图像的像素平均值;
获取像素值不小于所述像素平均值的像素点,作为第三像素数据;
为所述第三像素数据中的各像素点的像素值加上所述第一预设值,得到所述加值处理后的象限图像。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述第一高亮处理所述象限图像,得到第一高亮图像,包括:
根据所述第一火焰区间条件将所述象限图像中的像素点,分为第一像素数据和第二像素数据;
对所述第一像素数据进行第一像素处理,对第二像素数据做第二像素处理,得到所述第一高亮图像。
7.根据权利要求6所述的方法,其特征在于,所述第一火焰区间条件包括第一火焰区间,所述根据第一火焰区间条件将所述象限图像中的像素点,分为第一像素数据和第二像素数据,包括:
将所述象限图像中R值和G值在所述第一火焰区间内的像素点作为第一像素数据;
将R值和G值在所述第一火焰区间外的像素点作为第二像素数据。
8.一种基于人工智能的火情监测装置,其特征在于,包括:
均分模块,用于均分获取到的火焰图像,得到象限图像;
检测模块,用于检测在所述象限图像中是否存在满足第一火焰区间条件的像素点;
第一高亮模块,用于当存在时,则第一高亮处理所述象限图像,得到第一高亮图像;
第一输出模块,用于将所述第一高亮图像输入到训练好的火焰检测模型中,输出火情监测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761701.2A CN111898549A (zh) | 2020-07-31 | 2020-07-31 | 基于人工智能的火情监测方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761701.2A CN111898549A (zh) | 2020-07-31 | 2020-07-31 | 基于人工智能的火情监测方法、装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898549A true CN111898549A (zh) | 2020-11-06 |
Family
ID=73182961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010761701.2A Pending CN111898549A (zh) | 2020-07-31 | 2020-07-31 | 基于人工智能的火情监测方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898549A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139429A (zh) * | 2015-08-14 | 2015-12-09 | 大连理工大学 | 一种基于火焰显著图和空间金字塔直方图的火灾检测方法 |
KR101855057B1 (ko) * | 2018-01-11 | 2018-05-04 | 셔블 테크놀러지(주) | 화재 경보 시스템 및 방법 |
CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
CN109637068A (zh) * | 2018-11-23 | 2019-04-16 | 山东智洋电气股份有限公司 | 智能烟火识别系统 |
CN109726620A (zh) * | 2017-10-31 | 2019-05-07 | 北京国双科技有限公司 | 一种视频火焰检测方法及装置 |
KR101953342B1 (ko) * | 2017-12-08 | 2019-05-23 | 주식회사 비젼인 | 멀티 센서 화재감지 방법 및 시스템 |
CN110874592A (zh) * | 2019-10-21 | 2020-03-10 | 南京信息职业技术学院 | 一种基于总有界变分的森林火灾烟雾图像检测方法 |
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 |
-
2020
- 2020-07-31 CN CN202010761701.2A patent/CN111898549A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139429A (zh) * | 2015-08-14 | 2015-12-09 | 大连理工大学 | 一种基于火焰显著图和空间金字塔直方图的火灾检测方法 |
CN109726620A (zh) * | 2017-10-31 | 2019-05-07 | 北京国双科技有限公司 | 一种视频火焰检测方法及装置 |
KR101953342B1 (ko) * | 2017-12-08 | 2019-05-23 | 주식회사 비젼인 | 멀티 센서 화재감지 방법 및 시스템 |
KR101855057B1 (ko) * | 2018-01-11 | 2018-05-04 | 셔블 테크놀러지(주) | 화재 경보 시스템 및 방법 |
CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
CN109637068A (zh) * | 2018-11-23 | 2019-04-16 | 山东智洋电气股份有限公司 | 智能烟火识别系统 |
CN110874592A (zh) * | 2019-10-21 | 2020-03-10 | 南京信息职业技术学院 | 一种基于总有界变分的森林火灾烟雾图像检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
刘媛;赵敏;: "野外大空间火焰目标红外图像的分割算法研究", 青岛大学学报(工程技术版), no. 01, 15 March 2009 (2009-03-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112216049B (zh) | 一种基于图像识别的施工警戒区监测预警系统及方法 | |
CN110225299B (zh) | 视频监测方法、装置、计算机设备及存储介质 | |
CN109409238B (zh) | 一种障碍物检测方法、装置及终端设备 | |
US20160260306A1 (en) | Method and device for automated early detection of forest fires by means of optical detection of smoke clouds | |
CN106878670B (zh) | 一种视频处理方法及装置 | |
CN109484935A (zh) | 一种电梯轿厢监控方法、装置及系统 | |
CN109697416A (zh) | 一种视频数据处理方法和相关装置 | |
CN107770244B (zh) | 数据传输控制方法及相关产品 | |
CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
CN107067412A (zh) | 一种多信息融合的视频火焰烟雾检测方法 | |
CN109816745A (zh) | 人体热力图展示方法及相关产品 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN111339997A (zh) | 火点区域的确定方法及装置、存储介质和电子装置 | |
US11935378B2 (en) | Intrusion detection methods and devices | |
CN113989858B (zh) | 一种工作服识别方法及系统 | |
CN110473375A (zh) | 森林火灾的监测方法、装置、设备和系统 | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN113762314B (zh) | 一种烟火检测方法和装置 | |
KR101366198B1 (ko) | 가우시안 혼합 모델 및 에이치에스엘 색공간 분석을 이용한 산불 초기 자동 감지 화상 처리 시스템 및 그 방법 | |
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
CN115408941A (zh) | 基于多源数据的火情智能预警系统 | |
CN108093183A (zh) | 一种摄像机日夜模式切换方法及终端设备 | |
CN111898463B (zh) | 烟火检测识别方法和装置、存储介质及电子装置 | |
CN115880765A (zh) | 区域入侵异常行为检测方法、装置及计算机设备 | |
CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 |
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 |