CN112347942A - 一种火焰识别的方法及装置 - Google Patents
一种火焰识别的方法及装置 Download PDFInfo
- Publication number
- CN112347942A CN112347942A CN202011242517.3A CN202011242517A CN112347942A CN 112347942 A CN112347942 A CN 112347942A CN 202011242517 A CN202011242517 A CN 202011242517A CN 112347942 A CN112347942 A CN 112347942A
- Authority
- CN
- China
- Prior art keywords
- flame
- image
- infrared
- determining
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 12
- 238000002329 infrared spectrum Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本申请提供了一种火焰识别方法，应用于火焰识别装置，该火焰识别装置包括：双目摄像头，该双目摄像头包括红外通道和可见光通道，红外通道上安装红外滤波片，该火焰识别方法包括：利用红外通道获取第一图像，基于第一图像确定初始火焰位置；利用可见光通道获取第二图像，基于初始火焰位置和第二图像确定火焰区域；利用神经网络模型对火焰区域进行识别，确定该火焰区域是否着火。本申请实现了对监控区域火焰的准确识别，降低了误报和漏报现象，有利于消防人员第一时间处理火灾危机。
Description
技术领域
本发明属于火焰识别领域，尤其涉及一种火焰识别的方法及装置。
背景技术
在火灾探测领域中，大多采用传统烟雾颗粒感应系统需要烟雾颗粒进入传感器才能引起报警，红外及激光技术也需要烟雾遮挡才能引发报警。这些前提要求场合是相对封闭的空间。而室外场合像炼油厂、仓库等因为设备设施分散，空气流动大，传统烟火设备根本起不到作用，现在往往采用人员值守看管，造成管理成本上升。
当前基于视频分析的室内、室外火焰自动检测预警摄像机自动发现监控区域内的异常火灾苗头，以最快、最佳的方式进行告警和协助消防人员处理火灾危机，并最大限度的降低误报和漏报现象。同时还可查看现场实时图像，根据直观的画面直接指挥调度救火。
但是，目前，绝大多数的火灾监测装置只能监测火灾发生，而不能确定着火点的物理位置，给火灾救援带来了一定的盲目性。
发明内容
有鉴于此，本发明提供了一种火焰识别的方法及装置，解决了不能确定着火点的位置，实现了对监控区域内的火焰进行准确识别。
第一方面，提供了一种火焰识别方法，应用于火焰识别装置，该火焰识别装置包括：双目摄像头，双目摄像头包括红外通道和可见光通道，红外通道上安装红外滤波片，该火焰识别方法包括：利用红外通道获取第一图像，基于第一图像确定初始火焰位置；利用可见光通道获取第二图像，基于初始火焰位置和第二图像确定火焰区域，该火焰区域位于第二图像上；利用神经网络模型对火焰区域进行识别，确定该火焰区域是否真的着火。
第一方面提供的火焰识别的方法，通过双目摄像头的红外通道和可见光通道分别获取第一图像和第二图像。其中，通过在红外通道上安装红外滤波片得到红外光谱图像，获取火焰初始位置。这种通过普通镜头和传感器得到的红外光谱图像降低了摄像机镜头的成本。利用可见光通道上获取的第二图像和火焰初始位置确定火焰区域。根据火焰区域的图像，利用神经网络模型对火焰进行进一步识别。在该种实现方式中，在较低成本的前提下，实现了监控区域火焰的准确识别，降低了误报和漏报现象，有利于消防人员第一时间处理火灾危机。
在第一方面一种可能的实现方法中，基于初始火焰位置和第二图像确定火焰区域之前，方法还包括：将初始火焰位置通过坐标转换至第二图像上。该种实现方式中，通过将第一图像上的位置通过坐标转换到第二图像上，在第二图像上利用该位置和第二图像确定火焰区域，实现了火焰区域的精准定位。
在第一方面一种可能的实现方法中，利用可见光通道获取第二图像，基于初始火焰位置和第二图像确定火焰区域，包括：基于第二图像确定第二图像中每个像素的三基色分量，三基色分量包括红色分量、绿色分量和蓝色分量；基于三基色分量和初始火焰位置以及预设三基色分量第一阈值条件，确定出火焰区域。在该种实现方式中，通过对第二图像的每个像素进行三基色分量的判断，结合预设的三基色分量的阈值，最终找到火焰的像素区域。
在第一方面一种可能的实现方法中，利用神经网络模型对火焰区域进行识别，确定该火焰区域是否着火，包括：提取火焰的运动特征和轮廓特征；根据该运动特征和所述轮廓特征生成特征码；基于特征码和第二阈值条件，对火焰进行识别。在该种实现方法中，采用深度学习神经网络技术，收集样本数据，进行模型训练，并结合深度学习算法提取火焰的运动特征和轮廓特征，进一步判断视频中是否真的有火焰存在。
在第一方面一种可能的实现方法中，所述第一图像上有第一参考物，所述第二图像上有第二参考物，所述将所述初始火焰位置通过坐标转换至所述第二图像上，包括：对所述第一参考物和所述第二参考物进行标定，将所述初始火焰位置通过坐标转换至所述第二图像上。在该种实现方法中，通过在两张图像上分别放置参考物，标定处相同的重叠区域，将第一图像上的位置信息转到第二图像上，实现了初步火焰位置和火焰区域相统一，增加了火焰区域判断的精确性。
第二方面，提供了一种火焰识别装置，该火焰识别装置包括双目摄像头，该双目摄像头包括红外通道和可见光通道，该红外通道上安装红外滤波片。该装置用于执行以上第一方面或者第一方面的任意一方面可能的实现方法。
第三方面，提供了一种火焰识别装置，该装置包括至少一个处理器和存储器，该至少一个处理器用于执行以上第一方面或第一方面的任意可能的实现方式中的方法。
第四方面，提供了一种火焰识别装置，该火焰识别装置包括至少一个处理器和接口电路，该至少一个处理器用于执行以上第一方面或者第一方面中的任意一方面可能的实现方式中的方法。
第五方面，提供了一种火焰识别设备，该火焰识别处理设备包括上述第二方面、第三方面或者第四方面提供的任一种火焰识别装置。
第六方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时，用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第七方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序被执行时，用于执行第一方面或第一方面的任意可能的实现方式中的方法。
第八方面，提供了一种芯片或者集成电路，该芯片或者集成电路包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片或者集成电路的设备执行第一方面或第一方面的任意可能的实现方式中的方法。
本申请提供的装置的技术效果可以参见上述第一方面或第一方面的各个实现方式的技术效果，此处不再赘述。
与现有技术相比，本发明的有益效果是：
本申请提供一种火焰识别的方法和装置，通过双目摄像头的红外通道和可见光通道分别获取第一图像和第二图像。其中，通过在红外通道上安装红外滤波片得到红外光谱图像，获取火焰初始位置。这种通过普通镜头和传感器得到的红外光谱图像降低了摄像机镜头的成本。利用可见光通道上获取的第二图像和火焰初始位置确定火焰区域。根据火焰区域的图像，利用神经网络模型对火焰进行进一步识别。在该种实现方法中，在只需较低成本的情况下，实现了监控区域火焰的准确识别，降低了误报和漏报现象，有利于消防人员第一时间处理火灾危机。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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示出了本申请实施例提供的火焰识别方法100的实现流程示意图；
图2示出了本申请实施例的火焰识别装置200的示意性框图；
图3示出了本申请实施例的火焰识别装置300的示意性框图。
具体实施方式
火灾对人们生命和财产安全造成的重大损失，由于火灾的火焰一般具有较为明显的视觉特性，目前大多利用高清摄像及检测火焰，通过识别火焰特征来达到火焰识别的目的，它具备非接触式特点，有别于传统的接触式探测技术。而且因为它检测快速，且图像信息直观、丰富使得图像型火灾探测已成为当今人类在仓库、大型工厂、野外森林等大空间和开放空间进行火灾探测的得力帮手。但这类图像型火灾探测器也有不足：类似于接触式火灾探测器需要解决传感器附近是否有干扰的问题，非接触式火灾探测器的干扰会来自一个大得多的范围，无法准确、高效的得到火焰识别，无法剔除形状和火焰相似的物体。因此研制一种新的火焰识别方法，成为了人们亟待解决的问题。
针对上述问题本发明提供了一种火焰识别的方法和装置，通过双目摄像头的红外通道和可见光通道分别获取第一图像和第二图像。其中，通过在红外通道上安装红外滤波片得到红外光谱图像，获取火焰初始位置。利用可见光通道上获取的第二图像和火焰初始位置确定火焰区域。根据火焰区域的图像，利用神经网络模型对火焰进行进一步识别。在该种实现方法中，在只需较低成本的前提下，实现了监控区域火焰的准确识别，降低了误报和漏报现象，有利于消防人员第一时间处理火灾危机。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所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。
首先，在介绍本申请提供的火焰识别的方法和装置的实施例之前，需要对下文中即将提及的部分术语进行说明。当本申请体积术语“第一”、“第二”等序数词时仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
其次，本申请提供的火焰识别方法适用于具有双目摄像头的火焰识别装置，现在安防市场上出现了监控双目摄像头，其是为了应对不同监控环境下的监控需求所研发出来的新型产品，其利用对像素点的分析进行监控画面场景的识别，之后采用新的科学方法复原监控场景。并且与普通摄像头相比克服了光照强弱的影响，能够更加真实的还原监控的质量。本申请中该双目摄像头包括红外通道和可见光通道，其中，在红外通道上不是安装红外镜头，而是利用了普通镜头，通过在普通镜头和传感器之间装有红外滤波片来获取红外光谱图像，达到了与红外镜头一致的效果。
下面结合图例实施例，对本申请提供的火焰识别方法进行示例性说明。
参见图1，为本申请提供的一种火焰识别方法的一个实施例的流程图。如图1所示，该方法100包括S101至S103。
S101、利用红外通道获取第一图像，基于第一图像确定初始火焰位置；
双目摄像机的红外通道上通过增加红外滤波片可以用人们肉眼看不到的红外光线去照亮被拍摄的物体，通过红外线漫反射，被监控摄像头接收，形成第一图像。通过对第一图片进行黑白处理，可以判断白色区域为初始火焰位置。
可以理解的，考虑到火焰的温度决定火焰的颜色，火焰是燃烧的时候，在低温的时候是红外线，随着温度的上升，火焰从红色橙色(3000度)到黄色白色(4000度)到青色蓝色(5000-6000度)到紫色(7000以上)到最后看不见的紫外线(几万度)，颜色在不断的改变。从高能物理来说，红外线，有色光谱段的火焰都是低能量的火焰，温度继续高下去，火焰的颜色从紫外线到x线到伽马线等等。
可选的，作为本申请一种可能的实现方式，在红外通道中，在可见光镜头和传感器中间增加一个红外滤光片，只让红外光谱进入到传感器成黑白图像，在火焰燃烧的位置，红外通道视频就显示白色，其他地方就是黑色，温度越高的位置就越白，通过检测水平的亮度值就能获取火焰燃烧的位置。
S102、利用可见光通道获取第二图像，基于初始火焰位置和第二图像确定火焰区域。
根据确定的初始火焰位置和可见光通道获取第二图片，对第二图片进行处理得到三基色分量值，通过三基色分量值得到满足火焰像素的区域。然后结合初始火焰位置共同判定火焰区域。
可选的，作为步骤S102的一种可能的实现方式，在对第二图像进行处理之前，还包括将第一图像确定的初始火焰位置到第二图像上进行转换的过程：考虑到该火焰识别设备上的双通道视频的视场角不一样，需要对这两个通道的视场角进行标定。通过在双目摄像头分别获取的第一图像和第二图像上的分别预先放两个参考物，然后在两个视频中画出以这两个参考物为对角线的矩形，相当于标记出两个视频中重叠的部分，按线性计算，建立这两个通道重叠区域的坐标转换关系。可将红外通道上的初步火焰位置在可见光通道上标记出来。通过将第一图像上的位置通过坐标转换到第二图像上，在第二图像上利用该位置和第二图像确定火焰区域，实现了火焰区域的精准定位。
可选的，作为一种可能的实现方式，对可见光通道获取的第二图像处理进行处理，确定出三基色分量即红色(R)分量、绿色(G)分量、蓝色(B)分量。
可以理解的，对于火焰而言，RGB模型的红色分量(R)和绿色分量(G)会很大，并且绿色分量(G)会大于蓝色分量(B)。设置红色分量(R)和绿色分量(G)的阀值，可见光通道将图像分离为RGB三通道，设置红色分量(R)和绿色分量(G)需要大于相应设置的阀值，本申请对具体阈值不做限定。当图像中的每一像素点的R、G、B满足上述阈值关系时可以确定是火焰像素，则这些满足火焰像素点的集合和上述初步确定的火焰位置共同确定火焰区域。通过对火焰区域每个像素点的三基色分量判断，增加了火焰区域判断的精确性。
S103、利用神经网络模型对所述火焰区域进行识别，确定所述火焰区域是否着火。
利用火焰燃烧时候火焰的外形的变化，对可见光通道采用深度学习神经网络技术进行火焰检测。默认火焰存在一个或几个燃烧点，火焰从这些燃烧点一层层的向外扩散。越到外层的地方其形状的可变度越大，而且是连续的。根据采集的大量的火焰样本数据，采用深度学习神经网络技术，收集样本数据，进行模型训练，并结合深度学习算法，可以检测视频中是否有火焰。用火焰燃烧时候运动的特点，对可见光通道采用深度学习神经网络技术进行火焰相似度识别。
可选的，作为本申请一种可能的实现方式，考虑到火焰燃烧时候，火焰运动的、能量和明暗变化不均衡，对每个检测火焰区域提取运动特征和轮廓特征等关键点，通过相邻几帧的相同检测区域的关键点生成特征码，对该生成的特征码进行差值计算，得到相似度值。若相似度高于一定阀值，则可判断有真火焰存在。
在本实施例中，通过双目摄像头的红外通道和可见光通道分别获取第一图像和第二图像。其中，通过在红外通道上安装红外滤波片得到红外光谱图像，获取火焰初始位置。这种通过普通镜头和传感器得到的红外光谱图像降低了摄像机镜头的成本。利用可见光通道上获取的第二图像和火焰初始位置确定火焰区域。根据火焰区域的图像，利用神经网络模型对火焰进行进一步识别。在该种实现方式中，在较低成本的前提下，实现了监控区域火焰的准确识别，降低了误报和漏报现象，有利于消防人员第一时间处理火灾危机。
本申请实施例还提供了一种火焰识别的装置，该火焰识别装置包括双目摄像头，该双目摄像头包括红外通道和可见光通道，该红外通道上安装红外滤波片。
该火焰识别装置包括接收单元和处理单元，图2示出了本申请实施例的火焰识别装置200的示意性框图，该火焰识别装置200各单元分别用于执行上述方法101至方法103中各个实施例方式中火焰识别设备所执行的各动作或处理过程，如图2所示，该火焰识别装置200可以包括：接收单元201和处理单元202。该火焰装置200还可以包括存储单元，用于存储接收单元201和处理单元202执行的指令。存储单元存储指令，处理单元202用于执行存储单元存储的指令，接收单元用于接收火焰识别设备上的图像储存命令，处理单元用于处理以上接收到的火焰识别命令。
存储单元可以是存储器，处理单元202可由处理器实现。图3示出了本申请实施例的火焰识别装置300的示意性框图。如图3所示，火焰识别装置300可以包括处理器301和存储器302，该至少一个处理器用于执行上述方法100中的火焰识别的方法。该处理器301与双目摄像头303相连接，用于执行双目摄像头存储单元存储的指令。双目摄像头303包括红外通道3031和可见光通道3032，红外通道上安装有普通摄像头，普通摄像头和传感器之间安装有红外滤波片3033。
本申请实施例还提供了一种计算机可读介质，用于存储计算机程序代码，该计算机程序包括用于执行上述方法100中本申请实施例的火焰识别的方法的指令。该可读介质，本申请实施例对此不做限制。
本申请还提供了一种计算机程序产品，该计算机程序产品包括指令，当该指令被执行时，使得该火焰识别的装置分别执行对应于上述方法100中的在火焰识别装置中的操作。
本申请实施例还提供了一种芯片或者集成电路，该芯片或者集成电路包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片或者集成电路的设备执行上述方法100中的火焰识别的方法。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种火焰识别方法，其特征在于，应用于火焰识别装置，所述火焰识别装置包括：双目摄像头，所述双目摄像头包括红外通道和可见光通道，所述红外通道上安装红外滤波片，所述方法包括：
利用所述红外通道获取第一图像，基于所述第一图像确定初始火焰位置；
利用所述可见光通道获取第二图像，基于所述初始火焰位置和所述第二图像确定火焰区域，所述火焰区域位于所述第二图像上；
利用神经网络模型对所述火焰区域进行识别，确定所述火焰区域是否着火。
2.根据权利要求1所述的火焰识别方法，其特征在于，在所述基于所述初始火焰位置和所述第二图像确定火焰区域之前，所述方法还包括：
将所述初始火焰位置通过坐标转换至所述第二图像上。
3.根据权利要求1所述的火焰识别方法，其特征在于，所述利用可见光通道获取第二图像，基于所述初始火焰位置和所述第二图像确定火焰区域，包括：
基于所述第二图像确定所述第二图像中每个像素的三基色分量，所述三基色分量包括红色分量、绿色分量和蓝色分量；
基于所述三基色分量和所述初始火焰位置以及预设三基色分量的第一阈值条件，确定出所述火焰区域。
4.根据权利要求1所述的火焰识别方法，其特征在于，所述利用神经网络模型对所述火焰区域进行识别，确定所述火焰区域是否着火，包括：
提取所述火焰区域中火焰的运动特征和轮廓特征；
根据所述运动特征和所述轮廓特征生成特征码；
基于所述特征码和第二阈值条件，对所述火焰区域进行识别，确定所述火焰区域是否着火。
5.根据权利要求2所述的火焰识别方法，其特征在于，所述第一图像上有第一参考物，所述第二图像上有第二参考物，所述将所述初始火焰位置通过坐标转换至所述第二图像上，包括：
对所述第一参考物和所述第二参考物进行标定，将所述初始火焰位置通过坐标转换至所述第二图像上。
6.一种火焰识别装置，其特征在于包括：双目摄像头，所述双目摄像头包括红外通道和可见光通道，所述红外通道上安装红外滤波片，所述装置用于执行如权利要求1至5中任一项所述的火焰识别方法。
7.一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
8.一种芯片，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的火焰识别设备执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011242517.3A CN112347942A (zh) | 2020-11-09 | 2020-11-09 | 一种火焰识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011242517.3A CN112347942A (zh) | 2020-11-09 | 2020-11-09 | 一种火焰识别的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112347942A true CN112347942A (zh) | 2021-02-09 |
Family
ID=74362234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011242517.3A Pending CN112347942A (zh) | 2020-11-09 | 2020-11-09 | 一种火焰识别的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347942A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024083134A1 (zh) * | 2022-10-20 | 2024-04-25 | 浙江华感科技有限公司 | 一种火情判断方法、系统、装置和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373320A (zh) * | 2016-08-22 | 2017-02-01 | 中国人民解放军海军工程大学 | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 |
| CN107123227A (zh) * | 2017-07-06 | 2017-09-01 | 合肥科大立安安全技术股份有限公司 | 一种基于双波段的嵌入式图像火焰探测器及其识别方法 |
| CN109919071A (zh) * | 2019-02-28 | 2019-06-21 | 沈阳天眼智云信息科技有限公司 | 基于红外多特征联合技术的火焰识别方法 |
| CN111814638A (zh) * | 2020-06-30 | 2020-10-23 | 成都睿沿科技有限公司 | 基于深度学习的安防场景火焰检测方法 |
-
2020
- 2020-11-09 CN CN202011242517.3A patent/CN112347942A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373320A (zh) * | 2016-08-22 | 2017-02-01 | 中国人民解放军海军工程大学 | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 |
| CN107123227A (zh) * | 2017-07-06 | 2017-09-01 | 合肥科大立安安全技术股份有限公司 | 一种基于双波段的嵌入式图像火焰探测器及其识别方法 |
| CN109919071A (zh) * | 2019-02-28 | 2019-06-21 | 沈阳天眼智云信息科技有限公司 | 基于红外多特征联合技术的火焰识别方法 |
| CN111814638A (zh) * | 2020-06-30 | 2020-10-23 | 成都睿沿科技有限公司 | 基于深度学习的安防场景火焰检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024083134A1 (zh) * | 2022-10-20 | 2024-04-25 | 浙江华感科技有限公司 | 一种火情判断方法、系统、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560657B (zh) | 烟火识别方法、装置、计算机设备和存储介质 | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| KR101822924B1 (ko) | 영상기반 화재 감지 시스템, 방법 및 프로그램 | |
| KR101953342B1 (ko) | 멀티 센서 화재감지 방법 및 시스템 | |
| CN109637068A (zh) | 智能烟火识别系统 | |
| CN104504369A (zh) | 一种安全帽佩戴情况检测方法 | |
| KR101726786B1 (ko) | 영상의 색상정보를 이용한 실시간 화재 감지 시스템 및 방법 | |
| CN111626139A (zh) | 一种机房it设备故障信息精准检测方法 | |
| CN112395928A (zh) | 一种设备状态运行自动检测的方法 | |
| CN105976365A (zh) | 一种夜间火灾视频检测方法 | |
| KR20190063670A (ko) | 열화상 카메라와 색상 카메라의 복합 영상을 이용한 지능형 발화지점 감시 시스템 | |
| CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
| CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
| CN115700757A (zh) | 消防水炮的控制方法、装置及电子设备 | |
| CN111539264A (zh) | 一种船舶火焰探测定位系统与探测定位方法 | |
| CN117789394B (zh) | 一种基于运动历史图像的早期火灾烟雾检测方法 | |
| CN112347942A (zh) | 一种火焰识别的方法及装置 | |
| KR20140109671A (ko) | 카메라의 명암 영상신호를 이용한 화염 검출방법 | |
| CN109243135A (zh) | 一种智能火灾检测与定位方法、装置及系统 | |
| CN106228540B (zh) | 一种多光谱视频火焰检测方法 | |
| Thepade et al. | Fire Detection System Using Color and Flickering Behaviour of Fire with Kekre's LUV Color Space | |
| Karthikeyen et al. | Novel Method Of Real Time Fire Detection And Video Alerting System Using Open-CV Techniques | |
| KR20230064388A (ko) | 복합 영상 기반 화재 감지 시스템 | |
| CN112507925A (zh) | 一种基于慢特征分析的火灾检测方法 | |
| CN111931612A (zh) | 一种基于图像处理的室内火焰识别方法及设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230104 Address after: 518000 Yingfei Haocheng Science Park, Guansheng 5th Road, Luhu Community, Guanhu Street, Longhua District, Shenzhen, Guangdong 1515 Applicant after: Shenzhen Infineon Information Co.,Ltd. Address before: 3 / F, building H-3, East Industrial Zone, Huaqiaocheng, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN INFINOVA Ltd. |