CN112036411A - 一种智能消防监测预警系统循环纠错的方法 - Google Patents

一种智能消防监测预警系统循环纠错的方法 Download PDF

Info

Publication number
CN112036411A
CN112036411A CN202010882332.2A CN202010882332A CN112036411A CN 112036411 A CN112036411 A CN 112036411A CN 202010882332 A CN202010882332 A CN 202010882332A CN 112036411 A CN112036411 A CN 112036411A
Authority
CN
China
Prior art keywords
smoke
image
fire
error correction
warning system
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
Application number
CN202010882332.2A
Other languages
English (en)
Inventor
林俊良
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.)
Guangdong Baoli Construction Co ltd
Original Assignee
Guangdong Baoli Construction 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 Guangdong Baoli Construction Co ltd filed Critical Guangdong Baoli Construction Co ltd
Priority to CN202010882332.2A priority Critical patent/CN112036411A/zh
Publication of CN112036411A publication Critical patent/CN112036411A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V10/26—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种智能消防监测预警系统循环纠错的方法，属于消防技术领域，包括以下步骤：S1、通过消防检测系统对检测区域进行火灾信息收集，S2、对收集的火灾信息中的烟雾图像进行二值化处理。本发明中，通过获取烟雾图像的烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征，进行特征融合判定，能够全面的对烟雾情况进行判定，提升判定的准确性，减少预警信息错误，同时，能够对多组初步火灾信息判定，输出最终火灾判定结果，避免单次输出信息错误，起到纠错效果。

Description

一种智能消防监测预警系统循环纠错的方法
技术领域
本发明涉及消防技术领域，具体为一种智能消防监测预警系统循环纠错的方法。
背景技术
随着社会经济的迅猛发展，建筑和企业生产的特殊性，导致化学危险品和放射性物质泄漏以及燃烧、爆炸、坍塌的事故隐患增加，事故发率也相应提高。而一旦发生灾害事故，消防员面对高温、黑暗、有毒和浓烟等危害环境时，若没有相应的设备贸然冲进现场，不仅不能完成任务，还会徒增人员伤亡，需要在建设智能消防监测预警系统，传统的智能消防监测预警系统，对于火灾的监测，采集数据处理方式单一，极易出现错误，也缺少对错误预警信息的纠正，极易造成火灾预警错误，急需一种能够在配网带电作业的机器人识别定位方法。
发明内容
本发明提供的发明目的在于提供一种智能消防监测预警系统循环纠错的方法，通过获取烟雾图像的烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征，进行特征融合判定，能够全面的对烟雾情况进行判定，提升判定的准确性，减少预警信息错误，同时，能够对多组初步火灾信息判定，输出最终火灾判定结果，避免单次输出信息错误，起到纠错效果。
为了实现上述效果，本发明提供如下技术方案：一种智能消防监测预警系统循环纠错的方法，包括以下步骤：
S1、通过消防检测系统对检测区域进行火灾信息收集。
S2、对收集的火灾信息中的烟雾图像进行二值化处理。
S3、对经过二值化处理后的烟雾图像，进行烟雾图像特征提取，烟雾图像特征提取包括烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征。
S4、对获取的烟雾图形特征进行特征融合，初步判定是否出现火灾。
S5、重复S1-S4，获取多组初步火灾信息判定结果，对多组初步火灾信息判定结果进行对比，输出最终火灾判定结果。
进一步的，根据S2中的操作步骤，所述二值化处理是指将烟雾图像的灰度图像按照设定二值化阀值进行分割。
进一步的，根据S3中的操作步骤，获取烟雾图形的边缘不规则特征时，采用圆形度作为区分烟雾图像和其他干扰图像的依据。
进一步的，根据S3中的操作步骤，获取烟雾内部区域像素变化频率特征时，包括如下操作步骤：
S301、在第一帧二值图像中，将疑似图像进行外接矩形标记，记录此矩形四个点的坐标值，开辟一个和图像大小相同的二维数组M[a][b]，并将其中的元素全部置0，a、b分别为原图像的长和宽。
S302、连续跟踪若干帧视频序列，并在之前定义的矩形框中搜索，如果后面的图像中某个像素位置是前景图像的像素点，将其累加到预设的数组对应的位置中，以此类推。
S303、经过累计得到一个新的数组M[a][b]，在这个数组中最大值为搜索的帧数，最小则为0。
S304、对于目标数组，在矩形框中进行等高四等分。
S305、分别统计区间非0个数Num和元素数值之和Sum。
进一步的，根据S3中的操作步骤，获取烟雾的扩散特征时，采用面积变化率来表示烟雾的扩散特征。
进一步的，根据S3中的操作步骤，获取烟雾图像的灰度一致性特征时，烟雾区域的颜色深浅取决于烟雾的浓度，在烟雾的恢复图像上表现为每个像素点的灰度值大小，获取烟雾图像的平均灰度值。
进一步的，根据S4中的操作步骤，获取的烟雾图形特征进行特征融合时，包括如下操作步骤：
S401、对获取的烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征进行量化处理，分别获取量化特征X1、X2、X3、X4。
S402、设定监测区域中烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征的权重分别为W1、W2、W3、W4，其中W1+W2+W3+W4＝1，获取综合阀值V＝X1*W1+X2*W2+X3*W3+X4*W4。
S403、将获取的综合阀值V与设定阀值VT进行比较，若V＞VT，则表示监测区域有火灾，否则，无火灾。
进一步的，根据S5中的操作步骤，若多组初步火灾信息判定对比结果处于误差阀值范围内时，则最终判定结果非火灾，否则，为火灾。
本发明提供了一种智能消防监测预警系统循环纠错的方法，具备以下有益效果：
(1)、本发明，通过获取烟雾图像的烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征，进行特征融合判定，能够全面的对烟雾情况进行判定，提升判定的准确性，减少预警信息错误。
(2)、本发明，能够对多组初步火灾信息判定，输出最终火灾判定结果，避免单次输出信息错误，起到纠错效果，实现循环纠错目的，保障预警信息的准确性。
附图说明
图1为一种智能消防监测预警系统循环纠错的方法的总流程图；
图2为一种智能消防监测预警系统循环纠错的方法的获取烟雾内部区域像素变化频率特征时的流程图；
图3为一种智能消防监测预警系统循环纠错的方法的获取的烟雾图形特征进行特征融合时的流程图。
具体实施方式
本发明提供一种技术方案：请参阅图1-3，一种智能消防监测预警系统循环纠错的方法，包括以下步骤：(1)、通过消防检测系统对检测区域进行火灾信息收集，(2)、对收集的火灾信息中的烟雾图像进行二值化处理，二值化处理是指将烟雾图像的灰度图像按照设定二值化阀值进行分割，(3)、对经过二值化处理后的烟雾图像，进行烟雾图像特征提取，烟雾图像特征提取包括烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征，获取烟雾图形的边缘不规则特征时，采用圆形度作为区分烟雾图像和其他干扰图像的依据，圆形度的表达公式为：
Figure BDA0002651044510000051
式中，L为形状的周长，A为形状的面积。
获取烟雾的扩散特征时，采用面积变化率来表示烟雾的扩散特征，烟雾在火焰燃烧的早起阶段，由于烟雾有一个发展的过程，一般是由小到大的蔓延，反映在物理特性上，就是在热气流的作用下，烟雾作为流体会出现扩散现象，反映在图像上就是烟雾的前景图像面积越来越大，而一般的干扰物如汽车、人等面积一般保持不变，用面积变化率来表示烟雾的扩散特征，面积变化率为：
Figure BDA0002651044510000052
其中AR为疑似烟雾区城的相邻帧面积变化率，A(n)表示当前帧疑似烟雾区城的面积，A(n+1)表示下一帧疑似烟雾区域的面积。
获取烟雾内部区域像素变化频率特征时，包括如下操作步骤：
(301)、在第一帧二值图像中，将疑似图像进行外接矩形标记，记录此矩形四个点的坐标值，开辟一个和图像大小相同的二维数组M[a][b]，并将其中的元素全部置0，a、b分别为原图像的长和宽，(302)、连续跟踪若干帧视频序列，并在之前定义的矩形框中搜索，如果后面的图像中某个像素位置是前景图像的像素点，将其累加到预设的数组对应的位置中，以此类推，(303)、经过累计得到一个新的数组M[a][b]，在这个数组中最大值为搜索的帧数，最小则为0，(304)、对于目标数组，在矩形框中进行等高四等分，令目标区域最下方的坐标为Ya，最上方的坐标为Yb，则有：
Figure BDA0002651044510000061
H为切分的跨度，第一区间的坐标为(Yb，Yb-H)，第二区间的坐标为(Yb-H，Yb-2H)，第三区间的坐标为(Yb-2H，Yb-3H)...，(305)、分别统计区间非0个数Num和元素数值之和Sum，(4)、对获取的烟雾图形特征进行特征融合，初步判定是否出现火灾，获取的烟雾图形特征进行特征融合时，包括如下操作步骤：(401)、对获取的烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征进行量化处理，分别获取量化特征X1、X2、X3、X4，(402)、设定监测区域中烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征的权重分别为W1、W2、W3、W4，其中W1+W2+W3+W4＝1，获取综合阀值V＝X1*W1+X2*W2+X3*W3+X4*W4，(403)、将获取的综合阀值V与设定阀值VT进行比较，若V＞VT，则表示监测区域有火灾，否则，无火灾，(5)、重复(1)-(4)，获取多组初步火灾信息判定结果，对多组初步火灾信息判定结果进行对比，输出最终火灾判定结果，若多组初步火灾信息判定对比结果处于误差阀值范围内时，则最终判定结果非火灾，否则，为火灾。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种智能消防监测预警系统循环纠错的方法，其特征在于，包括以下步骤：
S1、通过消防检测系统对检测区域进行火灾信息收集；
S2、对收集的火灾信息中的烟雾图像进行二值化处理；
S3、对经过二值化处理后的烟雾图像，进行烟雾图像特征提取，烟雾图像特征提取包括烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征；
S4、对获取的烟雾图形特征进行特征融合，初步判定是否出现火灾；
S5、重复S1-S4，获取多组初步火灾信息判定结果，对多组初步火灾信息判定结果进行对比，输出最终火灾判定结果。
2.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S2中的操作步骤，所述二值化处理是指将烟雾图像的灰度图像按照设定二值化阀值进行分割。
3.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S3中的操作步骤，获取烟雾图形的边缘不规则特征时，采用圆形度作为区分烟雾图像和其他干扰图像的依据。
4.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S3中的操作步骤，获取烟雾内部区域像素变化频率特征时，包括如下操作步骤：
S301、在第一帧二值图像中，将疑似图像进行外接矩形标记，记录此矩形四个点的坐标值，开辟一个和图像大小相同的二维数组M[a][b]，并将其中的元素全部置0，a、b分别为原图像的长和宽；
S302、连续跟踪若干帧视频序列，并在之前定义的矩形框中搜索，如果后面的图像中某个像素位置是前景图像的像素点，将其累加到预设的数组对应的位置中，以此类推；
S303、经过累计得到一个新的数组M[a][b]，在这个数组中最大值为搜索的帧数，最小则为0；
S304、对于目标数组，在矩形框中进行等高四等分；
S305、分别统计区间非0个数Num和元素数值之和Sum。
5.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S3中的操作步骤，获取烟雾的扩散特征时，采用面积变化率来表示烟雾的扩散特征。
6.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S3中的操作步骤，获取烟雾图像的灰度一致性特征时，烟雾区域的颜色深浅取决于烟雾的浓度，在烟雾的恢复图像上表现为每个像素点的灰度值大小，获取烟雾图像的平均灰度值。
7.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S4中的操作步骤，获取的烟雾图形特征进行特征融合时，包括如下操作步骤：
S401、对获取的烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征进行量化处理，分别获取量化特征X1、X2、X3、X4。
S402、设定监测区域中烟雾图形的边缘不规则特征、烟雾内部区域像素变化频率特征、烟雾的扩散特征及烟雾图像的灰度一致性特征的权重分别为W1、W2、W3、W4，其中W1+W2+W3+W4＝1，获取综合阀值V＝X1*W1+X2*W2+X3*W3+X4*W4；
S403、将获取的综合阀值V与设定阀值VT进行比较，若V＞VT，则表示监测区域有火灾，否则，无火灾。
8.根据权利要求1所述的一种智能消防监测预警系统循环纠错的方法，其特征在于，根据S5中的操作步骤，若多组初步火灾信息判定对比结果处于误差阀值范围内时，则最终判定结果非火灾，否则，为火灾。
CN202010882332.2A 2020-08-26 2020-08-26 一种智能消防监测预警系统循环纠错的方法 Pending CN112036411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010882332.2A CN112036411A (zh) 2020-08-26 2020-08-26 一种智能消防监测预警系统循环纠错的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010882332.2A CN112036411A (zh) 2020-08-26 2020-08-26 一种智能消防监测预警系统循环纠错的方法

Publications (1)

Publication Number Publication Date
CN112036411A true CN112036411A (zh) 2020-12-04

Family

ID=73586756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010882332.2A Pending CN112036411A (zh) 2020-08-26 2020-08-26 一种智能消防监测预警系统循环纠错的方法

Country Status (1)

Country Link
CN (1) CN112036411A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001067566A (ja) * 1999-08-30 2001-03-16 Fujitsu Ltd 火災検知装置
CN101908142A (zh) * 2010-08-04 2010-12-08 丁天 一种基于特征分析的视频火焰检测方法
CN103150549A (zh) * 2013-02-05 2013-06-12 长安大学 一种基于烟雾早期运动特征的公路隧道火灾检测方法
KR101416800B1 (ko) * 2014-03-20 2014-07-10 이어도 모바일 기기를 이용한 화재 경보 시스템 및 방법
CN104408745A (zh) * 2014-11-18 2015-03-11 北京航空航天大学 一种基于视频图像的实时烟雾场景检测方法
CN107085714A (zh) * 2017-05-09 2017-08-22 北京理工大学 一种基于视频的森林火灾检测方法
CN109671240A (zh) * 2019-01-23 2019-04-23 中国计量大学 一种基于气化炉火灾视频图像检测装置和方法
CN110120142A (zh) * 2018-02-07 2019-08-13 中国石油化工股份有限公司 一种火灾烟雾视频智能监控预警系统及预警方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001067566A (ja) * 1999-08-30 2001-03-16 Fujitsu Ltd 火災検知装置
CN101908142A (zh) * 2010-08-04 2010-12-08 丁天 一种基于特征分析的视频火焰检测方法
CN103150549A (zh) * 2013-02-05 2013-06-12 长安大学 一种基于烟雾早期运动特征的公路隧道火灾检测方法
KR101416800B1 (ko) * 2014-03-20 2014-07-10 이어도 모바일 기기를 이용한 화재 경보 시스템 및 방법
CN104408745A (zh) * 2014-11-18 2015-03-11 北京航空航天大学 一种基于视频图像的实时烟雾场景检测方法
CN107085714A (zh) * 2017-05-09 2017-08-22 北京理工大学 一种基于视频的森林火灾检测方法
CN110120142A (zh) * 2018-02-07 2019-08-13 中国石油化工股份有限公司 一种火灾烟雾视频智能监控预警系统及预警方法
CN109671240A (zh) * 2019-01-23 2019-04-23 中国计量大学 一种基于气化炉火灾视频图像检测装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG, XB，等: "Pixel-level automatic annotation for forest fire image", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, pages 1 - 14 *
路鹭，等: "一种快速高精度的矩形检测算法", 《激光与光电子学进展》, vol. 57, no. 18, pages 1 - 7 *

Similar Documents

Publication Publication Date Title
CN110135269B (zh) 一种基于混合颜色模型与神经网络的火灾图像检测方法
CN110084095B (zh) 车道线检测方法、车道线检测装置和计算机存储介质
CN107609470B (zh) 野外火灾早期烟雾视频检测的方法
CN111626188B (zh) 一种室内不可控明火监测方法及系统
CN110033040B (zh) 一种火焰识别方法、系统、介质和设备
US9613432B2 (en) Fire detection system and method employing digital images processing
CN107067412A (zh) 一种多信息融合的视频火焰烟雾检测方法
CN111860143B (zh) 一种面向巡检机器人的火焰实时检测方法
CN112766137B (zh) 一种基于深度学习的动态场景异物入侵检测方法
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN112734739B (zh) 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法
CN110929635A (zh) 基于信任机制下面部交并比的假脸视频检测方法及系统
CN115311623A (zh) 一种基于红外热成像的设备漏油检测方法及系统
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测系统
CN107704818A (zh) 一种基于视频图像的火灾检测系统
CN114359733A (zh) 一种基于视觉的烟雾火情的检测方法及系统
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN113052139A (zh) 一种基于深度学习双流网络的攀爬行为检测方法及系统
CN117475353A (zh) 基于视频的异常烟雾识别方法及系统
CN112633179A (zh) 基于视频分析的农贸市场过道物体占道检测方法
CN112036411A (zh) 一种智能消防监测预警系统循环纠错的方法
CN111091586A (zh) 一种快速的烟雾动态遮挡区域检测和定位方法及其应用
CN111191575B (zh) 一种基于火苗跳动建模的明火检测方法及系统
CN114882401A (zh) 基于rgb-hsi模型和火焰初期生长特性的火焰检测方法及系统
CN111127433B (zh) 一种检测火焰的方法及装置

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