CN112396023A - 基于机器学习的火灾检测方法 - Google Patents
基于机器学习的火灾检测方法 Download PDFInfo
- Publication number
- CN112396023A CN112396023A CN202011377466.5A CN202011377466A CN112396023A CN 112396023 A CN112396023 A CN 112396023A CN 202011377466 A CN202011377466 A CN 202011377466A CN 112396023 A CN112396023 A CN 112396023A
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- suspicious
- mountain forest
- model
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 239000000779 smoke Substances 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims description 64
- 238000012360 testing method Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004083 survival 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- 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
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于机器学习的火灾检测方法,该方法包括:获取山林视频图像,对山林视频图像进行逐帧识别,并根据识别结果判断山林视频图像中是否存在可疑火灾图像;在山林视频图像中存在可疑火灾图像时,获取可疑火灾图像,并通过预设神经网络模型对可疑火灾图像进行图像特征提取,以获得图像特征集;检测图像特征集中是否存在火焰烟雾特征,若存在,则根据可疑火灾图像生成火灾预警信息,本发明通过机器学习的方式对采集到的山林视频进行火焰烟雾特征的识别,然后根据识别结果判断是否发生了山林火灾,相比于现有的火灾预警方式,具有较高的准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于机器学习的火灾检测方法。
背景技术
火灾是严重威胁人类生存与发展的灾害之一,火灾的发生具有频率高、时空跨度大的特点,造成的损失也非常严重。所有的企业及机构都清楚火灾的危害及防火救火的重要性,但苦于一直没有一个非常完善和及时的预防报警方法。火灾需要24小时全天候、不间断无死角监控分析并实时报警,而大部分场地已经有监控,却没有达到分析和预警的目的。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于机器学习的火灾检测方法,旨在解决现有技术无法对山林火灾进行准确识别的技术问题。
为实现上述目的,本发明提供了一种基于机器学习的火灾检测方法,所述方法包括以下步骤:
获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像;
在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集;
检测所述图像特征集中是否存在火焰烟雾特征,若存在,则根据所述可疑火灾图像生成火灾预警信息。
优选地,所述获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像的步骤,包括:
获取山林视频图像,对所述山林视频图像进行逐帧识别,获得多帧山林图像;
根据预设火灾图像分类模型对所述多帧山林图像进行分类,获得图像分类结果;
根据所述图像分类结果中包含的图像类别概率判断所述山林视频图像中是否存在可疑火灾图像。
优选地,所述获取山林视频图像,对所述山林视频图像进行逐帧识别的步骤之前,所述方法还包括:
获取包含预设类型标签的训练图像集,所述预设类型标签包括火灾标签和非火灾标签;
根据所述训练图像集中的图像对初始二分类模型进行模型训练,获得待测试火灾图像分类模型;
获取测试图像集,根据所述测试图像集对所述待测试火灾图像分类模型进行测试,并获得模型测试结果;
读取所述模型测试结果中的图像分类准确率,并在所述图像分类准确率不低于预设阈值时,将所述待测试火灾图像分类模型作为预设火灾图像分类模型。
优选地,所述在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集的步骤,包括:
在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像;
获取所述可疑火灾图像的当前图像分辨率,并将所述当前图像分辨率与预设分辨率阈值进行比较;
在所述当前图像分辨率小于所述预设分辨率时,对所述可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;
通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集。
优选地,所述通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集的步骤,包括:
对所述处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像;
获取所述可疑火灾灰度图像中各像素点对应的像素值,根据所述像素值构建灰度图像像素矩阵;
通过预设神经网络模型对所述灰度图像像素矩阵进行卷积操作,获得特征映射矩阵;
通过所述预设神经网络模型对特征映射矩阵进行池化操作,获得降维后的特征映射矩阵,并根据所述降维后的特征映射矩阵确定图像特征集。
此外,为实现上述目的,本发明还提出一种基于机器学习的火灾检测装置,所述基于机器学习的火灾检测装置包括:
图像识别模块,用于获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像;
特征提取模块,用于在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集;
火灾预警模块,用于检测所述图像特征集中是否存在火焰烟雾特征,若存在,则根据所述可疑火灾图像生成火灾预警信息。
优选地,所述图像识别模块,还用于获取山林视频图像,对所述山林视频图像进行逐帧识别,获得多帧山林图像;根据预设火灾图像分类模型对所述多帧山林图像进行分类,获得图像分类结果;根据所述图像分类结果中包含的图像类别概率判断所述山林视频图像中是否存在可疑火灾图像。
优选地,所述基于机器学习的火灾检测装置还包括:模型训练模块;
所述模型训练模块,用于获取包含预设类型标签的训练图像集,所述预设类型标签包括火灾标签和非火灾标签;根据所述训练图像集中的图像对初始二分类模型进行模型训练,获得待测试火灾图像分类模型;获取测试图像集,根据所述测试图像集对所述待测试火灾图像分类模型进行测试,并获得模型测试结果;读取所述模型测试结果中的图像分类准确率,并在所述图像分类准确率不低于预设阈值时,将所述待测试火灾图像分类模型作为预设火灾图像分类模型。
优选地,所述特征提取模块,用于在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像;获取所述可疑火灾图像的当前图像分辨率,并将所述当前图像分辨率与预设分辨率阈值进行比较;在所述当前图像分辨率小于所述预设分辨率时,对所述可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集。
优选地,所述特征提取模块,用于对所述处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像;获取所述可疑火灾灰度图像中各像素点对应的像素值,根据所述像素值构建灰度图像像素矩阵;通过预设神经网络模型对所述灰度图像像素矩阵进行卷积操作,获得特征映射矩阵;通过所述预设神经网络模型对特征映射矩阵进行池化操作,获得降维后的特征映射矩阵,并根据所述降维后的特征映射矩阵确定图像特征集。
本发明通过获取山林视频图像,对山林视频图像进行逐帧识别,并根据识别结果判断山林视频图像中是否存在可疑火灾图像;在山林视频图像中存在可疑火灾图像时,获取可疑火灾图像,并通过预设神经网络模型对可疑火灾图像进行图像特征提取,以获得图像特征集;检测图像特征集中是否存在火焰烟雾特征,若存在,则根据可疑火灾图像生成火灾预警信息,本发明通过机器学习的方式对采集到的山林视频进行火焰烟雾特征的识别,然后根据识别结果判断是否发生了山林火灾,相比于现有的火灾预警方式,具有较高的准确度。
附图说明
图1为本发明基于机器学习的火灾检测方法第一实施例的流程示意图;
图2为本发明基于机器学习的火灾检测方法第二实施例的流程示意图;
图3为本发明基于机器学习的火灾检测装置第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于机器学习的火灾检测方法。参照图1,图1为本发明基于机器学习的火灾检测方法第一实施例的流程示意图。
本实施例中,所述基于机器学习的火灾检测方法包括以下步骤:
步骤S10:获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像;
需要说明的是,本实施例方法的执行主体可以是一种具有图像处理、网络通信以及程序运行功能的处理器,该处理器可以装设在采集所述山林视频图像的设备(例如航拍无人机或其他森林火灾监测设备)上,所述山林视频图像可以由这些设备上集成的摄像装置进行采集。本实施例中该山林视频图像可以是由多帧山林图像构成的图像集合,也可以是一段或多段山林视频构成的视频集合。
应理解的是,所述逐帧识别即对山林视频图像一帧一帧的进行识别,以确定山林视频图像中是否存在包含火焰特征和/或烟雾特征的可疑火灾图像。实际应用中可疑火灾图像的识别过程实际上是一个图像分类的过程,即将具有火焰特征和/或烟雾特征的图像作为可疑火灾图像,将不具有火焰特征和/或烟雾特征的图像作为非可疑火灾图像。
考虑到,火灾图像的分类实际上属于一个二分类问题,即可疑火灾图像/非可疑火灾图像。可疑火灾图像即包含火焰特征、烟雾特征和/或其他可能会引发森林火灾的事物特征的图像,反之即为非可疑火灾图像。因此,为了实现对可疑火灾图像的准确识别,本实施例在执行上述步骤10之前,将预先训练一个火灾图像分类模型来对山林视频图像中的图像进行可疑火灾图像和非可疑火灾图像的分类。
具体的,可先确定一个初始二分类模型(例如逻辑回归模型、支持向量机SVM、人工神经网络ANN),然后根据包含预设类型标签(包括火灾标签和非火灾标签)的训练图像集对该初始二分类模型进行训练,获得火灾图像分类模型。
进一步地,本实施例所述步骤S10之前,还包括:
步骤S01:获取包含预设类型标签的训练图像集;
需要说明的是,所述预设类型标签可以包括火灾标签和非火灾标签,本实施例中,这些标签可以包含在图像或视频的文件名称中,例如图像1属于火灾图像,则可在图像1对应的文件名称中注明“图像1-火灾”;图像2属于非火灾图像,则可在图像2对应的文件名称中注明“图像2-非火灾”。
本实施例中,所述训练图像集中存放有大量的包含上述火灾标签和非火灾标签的图像。
步骤S02:根据所述训练图像集中的图像对初始二分类模型进行模型训练,获得待测试火灾图像分类模型;
在具体实现中,获取到上述训练图像集后,即可通过该训练图像集中携带标签的图像对初始二分类模型进行模型训练,以获得训练好的火灾图像分类模型,即所述待测试火灾图像分类模型。
应理解的是,初次训练出来的模型一般精度或准确度都需要测试,以便根据测试结果判断模型是否能够满足实际的生产需求,即是否能够具有较高的准确度。因此,本实施例还将对训练好的火灾图像分类模型进行测试,然后根据测试结果判断是否需要继续对模型进行训练,直至模型的精度或准确度满足实际的生产需求。
步骤S03:获取测试图像集,根据所述测试图像集对所述待测试火灾图像分类模型进行测试,并获得模型测试结果;
需要说明的是,所述测试图像集,即不含上述预设类型标签的图像,这些图像中存在一些火灾图像,模型测试的目的是在测试图像集中的大量图像中,测试模型是否能够准确地将这些火灾图像与其它非火灾图像区分开。
在具体实现中,可获取测试图像集,然后根据测试图像集对待测试火灾图像分类模型进行测试,获得模型测试结果。
步骤S04:读取所述模型测试结果中的图像分类准确率,并在所述图像分类准确率不低于预设阈值时,将所述待测试火灾图像分类模型作为预设火灾图像分类模型。
应理解的是,在获取到测试结果后,即可读取模型测试结果中的图像分类准确率,然后将该图像分类准确率与预设阈值进行比较,在图像分类准确率不低于预设阈值时,例如准确率不低于95%时,将待测试火灾图像分类模型作为预设火灾图像分类模型。
基于上述步骤S01-S04,本实施例中上述步骤S10可细化为:
步骤S101:获取山林视频图像,对所述山林视频图像进行逐帧识别,获得多帧山林图像;
步骤S102:根据预设火灾图像分类模型对所述多帧山林图像进行分类,获得图像分类结果;
步骤S103:根据所述图像分类结果中包含的图像类别概率判断所述山林视频图像中是否存在可疑火灾图像。
应理解的是,在训练出上述预设图像分类模型后,即可对山林视频图像进行火灾图像的识别。具体的,可先对山林视频图像进行逐帧识别,获得多帧山林图像,然后将获得的多帧山林图像分批次输入到预设火灾图像分类模型中进行分类,最后根据分类结果来确定每一帧图像对应的图像类别概率,根据该图像类别概率即可判断山林视频图像中是否存在可疑火灾图像。
需要说明的是,对于二分类问题,分类模型最后输出的结果中包含有不同图像类别的概率值,例如图像1:火灾图像90%,非火灾图像10%,此时即可确定出图像1属于可疑火灾图像。
步骤S20:在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集;
需要说明的是,所述预设神经网络模型,可以是任意一种能够用于对图像进行特征识别和提取的神经网络模型,例如卷积神经网络模型、BP神经网络、离散Hopfield网络、LVQ神经网络等。具体神经网络的选取本实施例不加以限制。
在具体实现中,当检测到山林视频图像中存在可疑火灾图像时,即可将这些可疑火灾图像输入至预先训练的用于对图像特征进行提取的神经网络模型中,从而根据模型的输出结果来获取每一帧可疑火灾图像对应的图像特征集。
步骤S30:检测所述图像特征集中是否存在火焰烟雾特征,若存在,则根据所述可疑火灾图像生成火灾预警信息。
应理解的是,在获取到每一帧图像对应的图像特征集后,即可对图像特征集中的图像特征进行遍历,以检测其中是否存在火焰烟雾特征(火焰特征、烟雾特征以及既有火焰又有烟雾的组合特征),若存在,则表明当前采集的山林视频图像大概率存在火灾,此时即可根据该可疑火灾图像生成火灾预警信息,然后将火灾预警信发送至对应的监管机构或人员,以提醒它们尽快采取相应的灭火措施。
本实施例通过获取山林视频图像,对山林视频图像进行逐帧识别,并根据识别结果判断山林视频图像中是否存在可疑火灾图像;在山林视频图像中存在可疑火灾图像时,获取可疑火灾图像,并通过预设神经网络模型对可疑火灾图像进行图像特征提取,以获得图像特征集;检测图像特征集中是否存在火焰烟雾特征,若存在,则根据可疑火灾图像生成火灾预警信息,本实施例通过机器学习的方式对采集到的山林视频进行火焰烟雾特征的识别,然后根据识别结果判断是否发生了山林火灾,相比于现有的火灾预警方式,具有较高的准确度。
参考图2,图2为本发明基于机器学习的火灾检测方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S20包括:
步骤S201:在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像;
步骤S202:获取所述可疑火灾图像的当前图像分辨率,并将所述当前图像分辨率与预设分辨率阈值进行比较;
应理解的是,实际情况下,受拍摄环境的影响,山林视频图像中可能存在分辨率低、光线较暗或图像模糊等图像质量不高的图像,因此本实施例还将根据可疑火灾图像的当前图像分辨率来判断是否需要对可疑火灾图像进行图像增强,以扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,改善图像质量、加强图像判读和识别效果。
其中,所述预设分辨率阈值可以根据实际情况设定,本实施例不加以限制。
步骤S203:在所述当前图像分辨率小于所述预设分辨率时,对所述可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;
应理解的是,图像增强,即增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合。本实施例在检测到可疑火灾图像的当前图像分辨率小于预设分辨率时,将对可疑火灾图像进行图像增强处理,获得处理后的可疑火灾图像,然后基于处理后的图像进行特征提取,从而能够保证被提取的特征更加有效和准确地反映图像所记录的信息。
步骤S204:通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集。
本实施例将以卷积神经网络CNN为上述预设神经网络模型对本步骤进行说明。
在本步骤中,考虑到图像中图像事物的颜色容易受到光照的影响,难以提供关键信息,因此本实施例考虑将处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像,一方面能够降低光照对图像事物的颜色影响,另一方面灰度化后的图像也能够加快特征提取的速度。
实际情况中,火灾识别大多数是根据图像事物的颜色来实现,例如根据火焰和烟雾的颜色来识别是否发生火灾。但本实施例结合实际情况中,森林火灾发生时的情况,将图像灰度化以区分火焰和周围物体的颜色梯度,也能够实现对火灾特征的准确提取,同时还提高了特征提取的速度。
进一步地,考虑到图像是由若干像素点构成,图像特征提取实际上也是基于像素点组成的矩阵实现的,因此,本实施例在通过预设神经网络进行图像特征提取时前,将先获取可疑火灾灰度图像对应的灰度图像像素矩阵,然后再执行后续的特征提取操作。
具体的,可先对所述处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像;然后获取所述可疑火灾灰度图像中各像素点对应的像素值,根据所述像素值构建灰度图像像素矩阵;再通过预设神经网络模型对所述灰度图像像素矩阵进行卷积操作,获得特征映射矩阵;最后通过所述预设神经网络模型对特征映射矩阵进行池化操作,获得降维后的特征映射矩阵,并根据所述降维后的特征映射矩阵确定图像特征集。
本实施例在山林视频图像中存在可疑火灾图像时,获取可疑火灾图像;获取可疑火灾图像的当前图像分辨率,并将当前图像分辨率与预设分辨率阈值进行比较;在当前图像分辨率小于预设分辨率时,对可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;通过预设神经网络模型对处理后的可疑火灾图像进行图像特征提取,以获得图像特征集,本实施例采用神经网络模型对可疑火灾图像进行特征提取,能够保证特征提取的准确度。
参照图3,图3为本发明基于机器学习的火灾检测装置第一实施例的结构框图。
如图3所示,本发明实施例提出的基于机器学习的火灾检测装置包括:
图像识别模块301,用于获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像;
需要说明的是,本实施例基于机器学习的火灾检测装置可以是一种具有图像处理、网络通信以及程序运行功能的处理设备,该设备可以通过自身集成的摄像装置进行山林视频图像的采集。本实施例中该山林视频图像可以是由多帧山林图像构成的图像集合,也可以是一段或多段山林视频构成的视频集合。
应理解的是,所述逐帧识别即对山林视频图像一帧一帧的进行识别,以确定山林视频图像中是否存在包含火焰特征和/或烟雾特征的可疑火灾图像。实际应用中可疑火灾图像的识别过程实际上是一个图像分类的过程,即将具有火焰特征和/或烟雾特征的图像作为可疑火灾图像,将不具有火焰特征和/或烟雾特征的图像作为非可疑火灾图像。
考虑到,火灾图像的分类实际上属于一个二分类问题,即可疑火灾图像/非可疑火灾图像。可疑火灾图像即包含火焰特征、烟雾特征和/或其他可能会引发森林火灾的事物特征的图像,反之即为非可疑火灾图像。因此,为了实现对可疑火灾图像的准确识别,本实施例将预先训练一个火灾图像分类模型来对山林视频图像中的图像进行可疑火灾图像和非可疑火灾图像的分类。
具体的,可先确定一个初始二分类模型(例如逻辑回归模型、支持向量机SVM、人工神经网络ANN),然后根据包含预设类型标签(包括火灾标签和非火灾标签)的训练图像集对该初始二分类模型进行训练,获得火灾图像分类模型。
进一步地,本实施例基于机器学习的火灾检测装置还包括模型训练模块(图3中未示出)。
所述模型训练模块,用于获取包含预设类型标签的训练图像集,所述预设类型标签包括火灾标签和非火灾标签;
需要说明的是,所述预设类型标签可以包括火灾标签和非火灾标签,本实施例中,这些标签可以包含在图像或视频的文件名称中,例如图像1属于火灾图像,则可在图像1对应的文件名称中注明“图像1-火灾”;图像2属于非火灾图像,则可在图像2对应的文件名称中注明“图像2-非火灾”。
本实施例中,所述训练图像集中存放有大量的包含上述火灾标签和非火灾标签的图像。
所述模型训练模块,还用于根据所述训练图像集中的图像对初始二分类模型进行模型训练,获得待测试火灾图像分类模型;
在具体实现中,模型训练模块获取到上述训练图像集后,即可通过该训练图像集中携带标签的图像对初始二分类模型进行模型训练,以获得训练好的火灾图像分类模型,即所述待测试火灾图像分类模型。
应理解的是,初次训练出来的模型一般精度或准确度都需要测试,以便根据测试结果判断模型是否能够满足实际的生产需求,即是否能够具有较高的准确度。因此,本实施例模型训练模块还将对训练好的火灾图像分类模型进行测试,然后根据测试结果判断是否需要继续对模型进行训练,直至模型的精度或准确度满足实际的生产需求。
所述模型训练模块,还用于获取测试图像集,根据所述测试图像集对所述待测试火灾图像分类模型进行测试,并获得模型测试结果;
需要说明的是,所述测试图像集,即不含上述预设类型标签的图像,这些图像中存在一些火灾图像,模型测试的目的是在测试图像集中的大量图像中,测试模型是否能够准确地将这些火灾图像与其它非火灾图像区分开。
在具体实现中,模型训练模块可获取测试图像集,然后根据测试图像集对待测试火灾图像分类模型进行测试,获得模型测试结果。
所述模型训练模块,还用于读取所述模型测试结果中的图像分类准确率,并在所述图像分类准确率不低于预设阈值时,将所述待测试火灾图像分类模型作为预设火灾图像分类模型。
应理解的是,模型训练模块在获取到测试结果后,即可读取模型测试结果中的图像分类准确率,然后将该图像分类准确率与预设阈值进行比较,在图像分类准确率不低于预设阈值时,例如准确率不低于95%时,将待测试火灾图像分类模型作为预设火灾图像分类模型。
进一步地,本实施例中所述图像识别模块301,还用于获取山林视频图像,对所述山林视频图像进行逐帧识别,获得多帧山林图像;根据预设火灾图像分类模型对所述多帧山林图像进行分类,获得图像分类结果;根据所述图像分类结果中包含的图像类别概率判断所述山林视频图像中是否存在可疑火灾图像。
应理解的是,在训练出上述预设图像分类模型后,图像识别模块301即可对山林视频图像进行火灾图像的识别。具体的,图像识别模块301可先对山林视频图像进行逐帧识别,获得多帧山林图像,然后将获得的多帧山林图像分批次输入到预设火灾图像分类模型中进行分类,最后根据分类结果来确定每一帧图像对应的图像类别概率,根据该图像类别概率即可判断山林视频图像中是否存在可疑火灾图像。
需要说明的是,对于二分类问题,分类模型最后输出的结果中包含有不同图像类别的概率值,例如图像1:火灾图像90%,非火灾图像10%,此时即可确定出图像1属于可疑火灾图像。
特征提取模块302,用于在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集;
需要说明的是,所述预设神经网络模型,可以是任意一种能够用于对图像进行特征识别和提取的神经网络模型,例如卷积神经网络模型、BP神经网络、离散Hopfield网络、LVQ神经网络等。具体神经网络的选取本实施例不加以限制。
在具体实现中,当图像识别模块301检测到山林视频图像中存在可疑火灾图像时,特征提取模块302即可将这些可疑火灾图像输入至预先训练的用于对图像特征进行提取的神经网络模型中,从而根据模型的输出结果来获取每一帧可疑火灾图像对应的图像特征集。
火灾预警模块303,用于检测所述图像特征集中是否存在火焰烟雾特征,若存在,则根据所述可疑火灾图像生成火灾预警信息。
应理解的是,特征提取模块302在获取到每一帧图像对应的图像特征集后,火灾预警模块303即可对图像特征集中的图像特征进行遍历,以检测其中是否存在火焰烟雾特征(火焰特征、烟雾特征以及既有火焰又有烟雾的组合特征),若存在,则表明当前采集的山林视频图像大概率存在火灾,此时即可根据该可疑火灾图像生成火灾预警信息,然后将火灾预警信发送至对应的监管机构或人员,以提醒它们尽快采取相应的灭火措施。
本实施例基于机器学习的火灾检测装置通过获取山林视频图像,对山林视频图像进行逐帧识别,并根据识别结果判断山林视频图像中是否存在可疑火灾图像;在山林视频图像中存在可疑火灾图像时,获取可疑火灾图像,并通过预设神经网络模型对可疑火灾图像进行图像特征提取,以获得图像特征集;检测图像特征集中是否存在火焰烟雾特征,若存在,则根据可疑火灾图像生成火灾预警信息,本实施例通过机器学习的方式对采集到的山林视频进行火焰烟雾特征的识别,然后根据识别结果判断是否发生了山林火灾,相比于现有的火灾预警方式,具有较高的准确度。
基于本发明基于机器学习的火灾检测装置的第一实施例,提出本发明基于机器学习的火灾检测装置的第二实施例。
本实施例中,所述特征提取模块302,用于在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像;
所述特征提取模块302,还用于获取所述可疑火灾图像的当前图像分辨率,并将所述当前图像分辨率与预设分辨率阈值进行比较;
应理解的是,实际情况下,受拍摄环境的影响,山林视频图像中可能存在分辨率低、光线较暗或图像模糊等图像质量不高的图像,因此本实施例特征提取模块302还将根据可疑火灾图像的当前图像分辨率来判断是否需要对可疑火灾图像进行图像增强,以扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,改善图像质量、加强图像判读和识别效果。
其中,所述预设分辨率阈值可以根据实际情况设定,本实施例不加以限制。
所述特征提取模块302,还用于在所述当前图像分辨率小于所述预设分辨率时,对所述可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;
应理解的是,图像增强,即增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合。本实施例特征提取模块302在检测到可疑火灾图像的当前图像分辨率小于预设分辨率时,将对可疑火灾图像进行图像增强处理,获得处理后的可疑火灾图像,然后基于处理后的图像进行特征提取,从而能够保证被提取的特征更加有效和准确地反映图像所记录的信息。
所述特征提取模块302,还用于通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集。
本实施例将以卷积神经网络CNN为上述预设神经网络模型进行说明。
在本实施例中,考虑到图像中图像事物的颜色容易受到光照的影响,难以提供关键信息,因此本实施例考虑将处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像,一方面能够降低光照对图像事物的颜色影响,另一方面灰度化后的图像也能够加快特征提取的速度。
实际情况中,火灾识别大多数是根据图像事物的颜色来实现,例如根据火焰和烟雾的颜色来识别是否发生火灾。但本实施例结合实际情况中,森林火灾发生时的情况,将图像灰度化以区分火焰和周围物体的颜色梯度,也能够实现对火灾特征的准确提取,同时还提高了特征提取的速度。
进一步地,考虑到图像是由若干像素点构成,图像特征提取实际上也是基于像素点组成的矩阵实现的,因此,本实施例在通过预设神经网络进行图像特征提取时前,将先获取可疑火灾灰度图像对应的灰度图像像素矩阵,然后再执行后续的特征提取操作。
具体的,所述特征提取模块302,还用于对所述处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像;获取所述可疑火灾灰度图像中各像素点对应的像素值,根据所述像素值构建灰度图像像素矩阵;通过预设神经网络模型对所述灰度图像像素矩阵进行卷积操作,获得特征映射矩阵;通过所述预设神经网络模型对特征映射矩阵进行池化操作,获得降维后的特征映射矩阵,并根据所述降维后的特征映射矩阵确定图像特征集。
本实施例在山林视频图像中存在可疑火灾图像时,获取可疑火灾图像;获取可疑火灾图像的当前图像分辨率,并将当前图像分辨率与预设分辨率阈值进行比较;在当前图像分辨率小于预设分辨率时,对可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;通过预设神经网络模型对处理后的可疑火灾图像进行图像特征提取,以获得图像特征集,本实施例采用神经网络模型对可疑火灾图像进行特征提取,能够保证特征提取的准确度。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于机器学习的火灾检测方法,其特征在于,所述基于机器学习的火灾检测方法包括:
获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像;
在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集;
检测所述图像特征集中是否存在火焰烟雾特征,若存在,则根据所述可疑火灾图像生成火灾预警信息。
2.如权利要求1所述的基于机器学习的火灾检测方法,其特征在于,所述获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像的步骤,包括:
获取山林视频图像,对所述山林视频图像进行逐帧识别,获得多帧山林图像;
根据预设火灾图像分类模型对所述多帧山林图像进行分类,获得图像分类结果;
根据所述图像分类结果中包含的图像类别概率判断所述山林视频图像中是否存在可疑火灾图像。
3.如权利要求2所述的基于机器学习的火灾检测方法,其特征在于,所述获取山林视频图像,对所述山林视频图像进行逐帧识别的步骤之前,所述方法还包括:
获取包含预设类型标签的训练图像集,所述预设类型标签包括火灾标签和非火灾标签;
根据所述训练图像集中的图像对初始二分类模型进行模型训练,获得待测试火灾图像分类模型;
获取测试图像集,根据所述测试图像集对所述待测试火灾图像分类模型进行测试,并获得模型测试结果;
读取所述模型测试结果中的图像分类准确率,并在所述图像分类准确率不低于预设阈值时,将所述待测试火灾图像分类模型作为预设火灾图像分类模型。
4.如权利要求1所述的基于机器学习的火灾检测方法,其特征在于,所述在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集的步骤,包括:
在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像;
获取所述可疑火灾图像的当前图像分辨率,并将所述当前图像分辨率与预设分辨率阈值进行比较;
在所述当前图像分辨率小于所述预设分辨率时,对所述可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;
通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集。
5.如权利要求4所述的基于机器学习的火灾检测方法,其特征在于,所述通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集的步骤,包括:
对所述处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像;
获取所述可疑火灾灰度图像中各像素点对应的像素值,根据所述像素值构建灰度图像像素矩阵;
通过预设神经网络模型对所述灰度图像像素矩阵进行卷积操作,获得特征映射矩阵;
通过所述预设神经网络模型对特征映射矩阵进行池化操作,获得降维后的特征映射矩阵,并根据所述降维后的特征映射矩阵确定图像特征集。
6.一种基于机器学习的火灾检测装置,其特征在于,所述基于机器学习的火灾检测装置包括:
图像识别模块,用于获取山林视频图像,对所述山林视频图像进行逐帧识别,并根据识别结果判断所述山林视频图像中是否存在可疑火灾图像;
特征提取模块,用于在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像,并通过预设神经网络模型对所述可疑火灾图像进行图像特征提取,以获得图像特征集;
火灾预警模块,用于检测所述图像特征集中是否存在火焰烟雾特征,若存在,则根据所述可疑火灾图像生成火灾预警信息。
7.如权利要求6所述的基于机器学习的火灾检测装置,其特征在于,所述图像识别模块,还用于获取山林视频图像,对所述山林视频图像进行逐帧识别,获得多帧山林图像;
所述图像识别模块,还用于根据预设火灾图像分类模型对所述多帧山林图像进行分类,获得图像分类结果;
所述图像识别模块,还用于根据所述图像分类结果中包含的图像类别概率判断所述山林视频图像中是否存在可疑火灾图像。
8.如权利要求7所述的基于机器学习的火灾检测装置,其特征在于,所述基于机器学习的火灾检测装置还包括:模型训练模块;
所述模型训练模块,用于获取包含预设类型标签的训练图像集,所述预设类型标签包括火灾标签和非火灾标签;
所述模型训练模块,还用于根据所述训练图像集中的图像对初始二分类模型进行模型训练,获得待测试火灾图像分类模型;
所述模型训练模块,还用于获取测试图像集,根据所述测试图像集对所述待测试火灾图像分类模型进行测试,并获得模型测试结果;
所述模型训练模块,还用于读取所述模型测试结果中的图像分类准确率,并在所述图像分类准确率不低于预设阈值时,将所述待测试火灾图像分类模型作为预设火灾图像分类模型。
9.如权利要求6所述的基于机器学习的火灾检测装置,其特征在于,所述特征提取模块,用于在所述山林视频图像中存在可疑火灾图像时,获取所述可疑火灾图像;
所述特征提取模块,还用于获取所述可疑火灾图像的当前图像分辨率,并将所述当前图像分辨率与预设分辨率阈值进行比较;
所述特征提取模块,还用于在所述当前图像分辨率小于所述预设分辨率时,对所述可疑火灾图像进行图像增强处理,以获得处理后的可疑火灾图像;
所述特征提取模块,还用于通过预设神经网络模型对所述处理后的可疑火灾图像进行图像特征提取,以获得图像特征集。
10.如权利要求9所述的基于机器学习的火灾检测装置,其特征在于,所述特征提取模块,用于对所述处理后的可疑火灾图像进行灰度化,获得可疑火灾灰度图像;
所述特征提取模块,还用于获取所述可疑火灾灰度图像中各像素点对应的像素值,根据所述像素值构建灰度图像像素矩阵;
所述特征提取模块,还用于通过预设神经网络模型对所述灰度图像像素矩阵进行卷积操作,获得特征映射矩阵;
所述特征提取模块,还用于通过所述预设神经网络模型对特征映射矩阵进行池化操作,获得降维后的特征映射矩阵,并根据所述降维后的特征映射矩阵确定图像特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377466.5A CN112396023A (zh) | 2020-11-30 | 2020-11-30 | 基于机器学习的火灾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377466.5A CN112396023A (zh) | 2020-11-30 | 2020-11-30 | 基于机器学习的火灾检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396023A true CN112396023A (zh) | 2021-02-23 |
Family
ID=74605649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011377466.5A Pending CN112396023A (zh) | 2020-11-30 | 2020-11-30 | 基于机器学习的火灾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396023A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530025A (zh) * | 2021-12-31 | 2022-05-24 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
CN115376269A (zh) * | 2022-10-21 | 2022-11-22 | 南京信大卫星应用研究院有限公司 | 一种基于无人机的火灾监控系统 |
CN117275165A (zh) * | 2023-09-07 | 2023-12-22 | 广州云创数据科技有限公司 | 一种基于人工智能的火灾消防烟雾处理装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831598A (zh) * | 2012-07-04 | 2012-12-19 | 西安电子科技大学 | 多分辨率NMF和Treelet融合的遥感图像变化检测方法 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN108280812A (zh) * | 2018-01-23 | 2018-07-13 | 中国科学院遥感与数字地球研究所 | 一种基于图像增强的过火区域提取方法 |
CN110929788A (zh) * | 2019-11-22 | 2020-03-27 | 珠海格力电器股份有限公司 | 食材识别方法、装置、存储介质及电子设备 |
CN111462451A (zh) * | 2019-11-01 | 2020-07-28 | 武汉纺织大学 | 基于视频信息的秸秆焚烧检测报警系统 |
CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
-
2020
- 2020-11-30 CN CN202011377466.5A patent/CN112396023A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831598A (zh) * | 2012-07-04 | 2012-12-19 | 西安电子科技大学 | 多分辨率NMF和Treelet融合的遥感图像变化检测方法 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN108280812A (zh) * | 2018-01-23 | 2018-07-13 | 中国科学院遥感与数字地球研究所 | 一种基于图像增强的过火区域提取方法 |
CN111462451A (zh) * | 2019-11-01 | 2020-07-28 | 武汉纺织大学 | 基于视频信息的秸秆焚烧检测报警系统 |
CN110929788A (zh) * | 2019-11-22 | 2020-03-27 | 珠海格力电器股份有限公司 | 食材识别方法、装置、存储介质及电子设备 |
CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
Non-Patent Citations (2)
Title |
---|
QINGJIE ZHANG等: "Deep Convolutional Neural Networks for Forest Fire Detection", 《INTERNATIONAL FORUM ON MANAGEMENT, EDUCATION AND INFORMATION TECHNOLOGY APPLICATION (IFMEITA 2016)》, 31 January 2016 (2016-01-31), pages 569 - 573 * |
QINGJIE ZHANG等: "Deep Convolutional Neural Networks for Forest Fire Detection", 《INTERNATIONAL FORUM ON MANAGEMENT, EDUCATION AND INFORMATION TECHNOLOGY APPLICATION (IFMEITA 2016)》, pages 569 - 573 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530025A (zh) * | 2021-12-31 | 2022-05-24 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
CN114530025B (zh) * | 2021-12-31 | 2024-03-08 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
CN115376269A (zh) * | 2022-10-21 | 2022-11-22 | 南京信大卫星应用研究院有限公司 | 一种基于无人机的火灾监控系统 |
CN115376269B (zh) * | 2022-10-21 | 2022-12-30 | 南京信大卫星应用研究院有限公司 | 一种基于无人机的火灾监控系统 |
CN117275165A (zh) * | 2023-09-07 | 2023-12-22 | 广州云创数据科技有限公司 | 一种基于人工智能的火灾消防烟雾处理装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396023A (zh) | 基于机器学习的火灾检测方法 | |
CN110969130B (zh) | 一种基于yolov3司机危险动作识别方法及系统 | |
US11295139B2 (en) | Human presence detection in edge devices | |
CN109460787B (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN112329719B (zh) | 行为识别方法、装置以及计算机可读存储介质 | |
CN112744174B (zh) | 车辆碰撞监测方法、装置、设备及计算机可读存储介质 | |
CN107948585A (zh) | 录像标记方法、装置及计算机可读存储介质 | |
CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及系统 | |
CN103106394A (zh) | 一种视频监控中的人体行为识别方法 | |
KR102540208B1 (ko) | 딥러닝을 이용한 화재감지방법 | |
CN115063718A (zh) | 火灾检测方法、装置、设备、存储介质及程序产品 | |
CN111126112B (zh) | 候选区域确定方法和装置 | |
CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
CN110705416B (zh) | 一种基于驾驶员面部图像建模的安全驾驶预警方法及系统 | |
CN111325130A (zh) | 一种基于改进fr-cnn的驾驶员通话检测方法 | |
CN116189286A (zh) | 一种视频图像暴力行为检测模型及检测方法 | |
WO2022262013A1 (zh) | 一种车辆状态信息采集监控方法及系统 | |
CN114067401A (zh) | 目标检测模型的训练及身份验证方法和装置 | |
KR102435435B1 (ko) | 인공지능 기반 차량번호 및 보행자 검색 시스템 및 방법 | |
CN113342978A (zh) | 一种城市事件处理方法及装置 | |
Khurat et al. | An open-source based automatic car detection system using iot | |
Šabanović et al. | Early Stage Flame Segmentation with DeepLabv3+ and Weighted Cross-Entropy | |
CN111428632A (zh) | 一种绞车状态检测方法及矿工行为检测方法 | |
Jennifer et al. | Automated vigilence system for physical clash detection in localized environments |
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 |