CN112735083A - 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 - Google Patents
一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 Download PDFInfo
- Publication number
- CN112735083A CN112735083A CN202110065705.1A CN202110065705A CN112735083A CN 112735083 A CN112735083 A CN 112735083A CN 202110065705 A CN202110065705 A CN 202110065705A CN 112735083 A CN112735083 A CN 112735083A
- Authority
- CN
- China
- Prior art keywords
- openvino
- gateway
- flame
- yolov5
- vpu
- 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 40
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract 3
- 239000000779 smoke Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明专利涉及边缘计算技术领域，尤其为一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关，包括CPU、VPU、上位机通讯模块、以太网接口、HDMI/VGA视频输出、USB扩展接口、RAM、ROM、保护电路模块、实时时钟模块和复位电路模块；所述CPU中央处理器使用轻量化的64位ARM架构平台；所述VPU为Intel Movidius MYRIAD X低功耗高性能的VPU视觉处理单元，所述VPU作为协处理器用于深度学习及人工智能视觉应用加速，在此处即利用机器视觉加速对于机械臂动作视频流的推理的强大加速作用；本发明专利使用深度学习的方法利用YOLOv5网络和模型优化部署工具OpenVINO构建出的适用于网关部署的火焰识别模型及算法能够取得较好效果，可以满足复杂环境下的火焰识别任务。
Description
技术领域
本发明专利涉及边缘计算技术领域，具体为一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法。
背景技术
火灾的发生会给人民群众的生命和财产造成不可估量的损失，如果能在火灾发生前对烟雾和火焰及时的识别，可以将损失大大的降低。而传统的火焰检测都是利用传感器设备对其进行检测，这种检测方法检测精度低，检测不够灵敏，响应速度慢，而且只适用于室内这一单一场景。基于视频的火焰识别能够很好的弥补上述的不足，而且还可以确定火焰的位置，以及火焰的大小，为消防救援能提供丰富的现场信息，有助于让消防救援部门做出相应的策略，及时扑灭火情。
这两年来随着硬件设备的不断更新换代，将深度学习的技术应用到解决目标检测相关问题的案例也越来越多，并且都收获了不错的成绩。李红娣等人为了应对烟雾在光照和尺度的变换而产生不确定性，通过对纹理和边缘特征等特点的学习，提出了一种采用金字塔纹理和边缘特征的图像烟雾检测；回天等人针对火焰的不同形状，与Faster R-CNN算法相融合提出了一种结合Faster R-CNN的多类型火焰检测；为了区别烟雾与其他干扰之间特征的不同，以减小烟雾识别的误差，何玉提出了一种基于互信息时空域特征的视频烟雾检测方法。火灾的预测和报警时机稍纵即逝，检测需要很强的实时性，并且检测精度要较高，但是这些方法都无法平衡检测速度和检测精度的问题，并且无法对小目标有较好的检测效果，从而无法在火灾发生初期就及时的进行预测和报警。
随着物联网硬件技术的发展，传统功能单一的网关也被赋予了较为可观的计算能力，此外NVIDIA和Intel相继推出适用于各自硬件平台的模型优化部署工具，为深度学习在边缘计算设备上的部署创造了有利条件。但是这些模型优化部署工具仅对较少的模型完全支持，将复杂模型部署至网关还存在诸多问题，为此提出一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法，来解决此问题。
发明专利内容
本发明专利的目的在于提供一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法，解决了这些模型优化部署工具仅对较少的模型完全支持，复杂模型部署至网关还存在的问题。
为实现上述目的，本发明专利提供如下技术方案：一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关，包括CPU、VPU、上位机通讯模块、以太网接口、HDMI/VGA视频输出、USB扩展接口、RAM、ROM、保护电路模块、实时时钟模块和复位电路模块；
所述CPU中央处理器使用轻量化的64位ARM架构平台；
所述VPU为Intel Movidius MYRIAD X低功耗高性能的VPU视觉处理单元，所述VPU作为协处理器用于深度学习及人工智能视觉应用加速，在此处即利用机器视觉加速对于机械臂动作视频流的推理的强大加速作用，通过全新神经计算引擎（Neural ComputeEngine）的加速，所述VPU可以实现每秒1TFlops（万亿次）计算，总体峰值性能4TFlops，支持4K视频解码，支持4K/30Hz H.264/H.265、4K/60Hz M/JPEG格式，并且功耗极低；
该网关主要通过摄像头或网络摄像机，以ARM64架构的嵌入式CPU辅以IntelMovidius MYRIAD X的VPU提供强大的推理加速功能来识别火焰，于直接用嵌入式的CPU进行推理，不仅在推理速度上有大幅度的提升，更是在运行的稳定性和推理准确率上有了大幅提高，其中的Intel Movidius MYRIAD X的VPU芯片，该VPU芯片通过全新神经计算引擎（Neural Compute Engine）的加速，可以在功耗很低的情况下实现每秒万亿次DNN计算。
优选的，所述上位机通讯模块和以太网接口的连接端均设置加密密钥，通过加密密钥作为网关安全认证。
一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，使用深度学习的方法，利用YOLOv5和OpenVINO进行火焰检测并将其在嵌入式终端部署，包含以下步骤：
步骤1：构建适用于OpenVINO优化部署的YOLOv5；
步骤2：构建火焰数据集；
步骤3：利用火焰数据集训练改进过的YOLOv5，并用OpenVINO优化加速得到适用于网关部署的模型文件；
步骤4：将上述得到的模型部署至网关，使网关拥有火焰检测和定位的能力。
优选的，所述在步骤1中，构建适用于OpenVINO优化部署的YOLOv5时，使用更换激活函数等方法。
优选的，所述在步骤1中，构建适用于OpenVINO优化部署的YOLOv5网络的关键在于替换OpenVINO不支持的网络层，为之后的模型优化部署创造条件，并得到符合OpenVINO要求的ONNX格式的模型文件。
优选的，所述在步骤2中，构建火焰数据集，包括收集合适的火焰图片，使用标注软件标注出火焰的位置，将标注好的图片分成测试集和训练集。
优选的，所述在步骤3中，使用火焰数据集训练改进过的YOLOv5，得到开放神经网络交换（Open Neural Network Exchange，ONNX）格式的火焰识别模型，之后使用OpenVINO转换为IR文件。
优选的，所述在步骤4中，在网关部署使用OpenVINO的推理引擎，加速网关的推理性能，使性能有限的网关能高效的处理摄像头采集的视频图像数据，做到实时检测火焰。
优选的，所述在步骤4中，模型部署至网关还包括对视频采集、视频处理、模型预测、预测处理和火焰报警；
视频采集采用以OpenCV配合USB摄像头或配合网络摄像头，相比于采用网络摄像头，使用USB摄像头可以显著降低视频采集的延时，提高整个系统的实时性；
视频处理采用了图像缩放、色彩通道变换、归一化等方法，确保数据格式符合模型的要求；
模型预测阶段使用了OpenVINO提供的Inference Engine，提供硬件层面的加速，使得网关的推理速度能满足实时性的要求；
预测处理针对预测结果的后处理这方面我们采用了阈值法和非极大值抑制，将多余的结果滤除；
火焰报警：当模型预测结果中出现了火焰的信号，网关将会发出报警。
与现有技术相比，本发明专利的有益效果如下：
本发明专利使用深度学习的方法利用YOLOv5网络和模型优化部署工具OpenVINO构建出的适用于网关部署的火焰识别模型及算法能够取得较好效果，可以满足复杂环境下的火焰识别任务。
附图说明
图1为本发明专利结构示意图；
图2为本发明专利整体流程框图；
图3为本发明专利推理程序流程框图。
具体实施方式
下面将结合本发明专利实施例中的附图，对本发明专利实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明专利一部分实施例，而不是全部的实施例。基于本发明专利中的实施例，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，都属于本发明专利保护的范围。
请参阅图1-3，一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关，包括CPU、VPU、上位机通讯模块、以太网接口、HDMI/VGA视频输出、USB扩展接口、RAM、ROM、保护电路模块、实时时钟模块和复位电路模块；
CPU中央处理器使用轻量化的64位ARM架构平台；
VPU为Intel Movidius MYRIAD X低功耗高性能的VPU视觉处理单元，VPU作为协处理器用于深度学习及人工智能视觉应用加速，在此处即利用机器视觉加速对于机械臂动作视频流的推理的强大加速作用，通过全新神经计算引擎（Neural Compute Engine）的加速，VPU可以在功耗很低的情况下实现每秒1TFlops（万亿次）计算，总体峰值性能可以达到4TFlops，支持4K视频解码，支持4K/30Hz H.264/H.265、4K/60Hz M/JPEG格式，并且功耗极低；
该网关主要通过摄像头或网络摄像机，以ARM64架构的嵌入式CPU辅以IntelMovidius MYRIAD X的VPU提供强大的推理加速功能来识别火焰，于直接用嵌入式的CPU进行推理，不仅在推理速度上有大幅度的提升，更是在运行的稳定性和推理准确率上有了大幅提高，其中的Intel Movidius MYRIAD X的VPU芯片，该VPU芯片通过全新神经计算引擎（Neural Compute Engine）的加速，可以在功耗很低的情况下实现每秒万亿次DNN计算。
本实施例中，上位机通讯模块和以太网接口的连接端均设置加密密钥，通过加密密钥作为网关安全认证，无论是通过何种方式访问或控制该网关时，都需要通过加密密钥作为网关安全认证，增强安全性。
一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，使用深度学习的方法，利用YOLOv5和OpenVINO进行火焰检测并将其在嵌入式终端部署，包含以下步骤：
步骤1：构建适用于OpenVINO优化部署的YOLOv5；
步骤2：构建火焰数据集；
步骤3：利用火焰数据集训练改进过的YOLOv5，并用OpenVINO优化加速得到适用于网关部署的模型文件；
步骤4：将上述得到的模型部署至网关，使网关拥有火焰检测和定位的能力。
本实施例中，在步骤1中，构建适用于OpenVINO优化部署的YOLOv5时，使用更换激活函数等方法，方便构建YOLOv5。
本实施例中，在步骤1中，构建适用于OpenVINO优化部署的YOLOv5网络的关键在于替换OpenVINO不支持的网络层，为之后的模型优化部署创造条件，并得到符合OpenVINO要求的ONNX格式的模型文件，方便部署网关。
本实施例中，在步骤2中，构建火焰数据集，包括收集合适的火焰图片，使用标注软件标注出火焰的位置，将标注好的图片分成测试集和训练集，方便下一步的操作。
本实施例中，在步骤3中，使用火焰数据集训练改进过的YOLOv5，得到开放神经网络交换（Open Neural Network Exchange，ONNX）格式的火焰识别模型，之后使用OpenVINO转换为IR文件，方便进行火焰识别。
本实施例中，在步骤4中，在网关部署使用OpenVINO的推理引擎，加速网关的推理性能，使性能有限的网关能高效的处理摄像头采集的视频图像数据，做到实时检测火焰，为后续的检测做好准备。
本实施例中，在步骤4中，模型部署至网关还包括对视频采集、视频处理、模型预测、预测处理和火焰报警；
视频采集采用以OpenCV配合USB摄像头或配合网络摄像头，相比于采用网络摄像头，使用USB摄像头可以显著降低视频采集的延时，提高整个系统的实时性；
视频处理采用了图像缩放、色彩通道变换、归一化等方法，确保数据格式符合模型的要求；
模型预测阶段使用了OpenVINO提供的Inference Engine，提供硬件层面的加速，使得网关的推理速度能满足实时性的要求；
预测处理针对预测结果的后处理这方面我们采用了阈值法和非极大值抑制，将多余的结果滤除；
火焰报警：当模型预测结果中出现了火焰的信号，网关将会发出报警。
尽管已经示出和描述了本发明专利的实施例，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专利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，本发明专利的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关，其特征在于：包括CPU、VPU、上位机通讯模块、以太网接口、HDMI/VGA视频输出、USB扩展接口、RAM、ROM、保护电路模块、实时时钟模块和复位电路模块；
所述CPU中央处理器使用轻量化的64位ARM架构平台；
所述VPU为Intel Movidius MYRIAD X低功耗高性能的VPU视觉处理单元，所述VPU作为协处理器用于深度学习及人工智能视觉应用加速，在此处即利用机器视觉加速对于机械臂动作视频流的推理的强大加速作用，通过全新神经计算引擎（Neural Compute Engine）的加速，所述VPU可以实现每秒1TFlops（万亿次）计算，总体峰值性能4TFlops，支持4K视频解码，支持4K/30Hz H.264/H.265、4K/60Hz M/JPEG格式，并且功耗极低；
该网关主要通过摄像头或网络摄像机，以ARM64架构的嵌入式CPU辅以Intel MovidiusMYRIAD X的VPU提供强大的推理加速功能来识别火焰，于直接用嵌入式的CPU进行推理，不仅在推理速度上有大幅度的提升，更是在运行的稳定性和推理准确率上有了大幅提高，其中的Intel Movidius MYRIAD X的VPU芯片，该VPU芯片通过全新神经计算引擎（NeuralCompute Engine）的加速，可以在功耗很低的情况下实现每秒万亿次DNN计算。
2.根据权利要求1所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关，其特征在于：所述上位机通讯模块和以太网接口的连接端均设置加密密钥，通过加密密钥作为网关安全认证。
3.一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：使用深度学习的方法，利用YOLOv5和OpenVINO进行火焰检测并将其在嵌入式终端部署，包含以下步骤：
步骤1：构建适用于OpenVINO优化部署的YOLOv5；
步骤2：构建火焰数据集；
步骤3：利用火焰数据集训练改进过的YOLOv5，并用OpenVINO优化加速得到适用于网关部署的模型文件；
步骤4：将上述得到的模型部署至网关，使网关拥有火焰检测和定位的能力。
4.根据权利要求3所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：所述在步骤1中，构建适用于OpenVINO优化部署的YOLOv5时，使用更换激活函数等方法。
5.根据权利要求3所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：所述在步骤1中，构建适用于OpenVINO优化部署的YOLOv5网络的关键在于替换OpenVINO不支持的网络层，为之后的模型优化部署创造条件，并得到符合OpenVINO要求的ONNX格式的模型文件。
6.根据权利要求3所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：所述在步骤2中，构建火焰数据集，包括收集合适的火焰图片，使用标注软件标注出火焰的位置，将标注好的图片分成测试集和训练集。
7.根据权利要求3所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：所述在步骤3中，使用火焰数据集训练改进过的YOLOv5，得到开放神经网络交换（Open Neural Network Exchange，ONNX）格式的火焰识别模型，之后使用OpenVINO转换为IR文件。
8.根据权利要求3所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：所述在步骤4中，在网关部署使用OpenVINO的推理引擎，加速网关的推理性能，使性能有限的网关能高效的处理摄像头采集的视频图像数据，做到实时检测火焰。
9.根据权利要求3所述的一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关部署方法，其特征在于：所述在步骤4中，模型部署至网关还包括对视频采集、视频处理、模型预测、预测处理和火焰报警；
视频采集采用以OpenCV配合USB摄像头或配合网络摄像头，相比于采用网络摄像头，使用USB摄像头可以显著降低视频采集的延时，提高整个系统的实时性；
视频处理采用了图像缩放、色彩通道变换、归一化等方法，确保数据格式符合模型的要求；
模型预测阶段使用了OpenVINO提供的Inference Engine，提供硬件层面的加速，使得网关的推理速度能满足实时性的要求；
预测处理针对预测结果的后处理这方面我们采用了阈值法和非极大值抑制，将多余的结果滤除；
火焰报警：当模型预测结果中出现了火焰的信号，网关将会发出报警。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110065705.1A CN112735083A (zh) | 2021-01-19 | 2021-01-19 | 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 |
| ZA2022/00381A ZA202200381B (en) | 2021-01-19 | 2022-01-07 | Embedded gateway for flame detection using yolov5 and openvino and deployment method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110065705.1A CN112735083A (zh) | 2021-01-19 | 2021-01-19 | 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112735083A true CN112735083A (zh) | 2021-04-30 |
Family
ID=75592348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110065705.1A Pending CN112735083A (zh) | 2021-01-19 | 2021-01-19 | 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112735083A (zh) |
| ZA (1) | ZA202200381B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331384A (zh) * | 2022-08-22 | 2022-11-11 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
| US20230188671A1 (en) * | 2021-12-09 | 2023-06-15 | Anhui University | Fire source detection method and device under condition of small sample size and storage medium |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
| CN110517441A (zh) * | 2019-09-26 | 2019-11-29 | 华南师范大学 | 基于深度学习框架嵌入式烟雾及火焰视频报警系统及方法 |
| CN110979208A (zh) * | 2019-11-28 | 2020-04-10 | 东风电驱动系统有限公司 | 一种车载智能信息终端 |
| CN111091072A (zh) * | 2019-11-29 | 2020-05-01 | 河海大学 | 一种基于YOLOv3的火焰及浓烟检测方法 |
| CN111210592A (zh) * | 2020-01-07 | 2020-05-29 | 珠海爬山虎科技有限公司 | 视频识别监护方法、计算机装置以及计算机可读存储介质 |
| CN111310684A (zh) * | 2020-02-24 | 2020-06-19 | 东声(苏州)智能科技有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
| CN111783618A (zh) * | 2020-06-29 | 2020-10-16 | 联通(浙江)产业互联网有限公司 | 一种基于视频内容分析的园区大脑感知方法和系统 |
| CN111914819A (zh) * | 2020-09-30 | 2020-11-10 | 杭州未名信科科技有限公司 | 一种多摄像头融合的人群密度预测方法、装置、存储介质及终端 |
-
2021
- 2021-01-19 CN CN202110065705.1A patent/CN112735083A/zh active Pending
-
2022
- 2022-01-07 ZA ZA2022/00381A patent/ZA202200381B/en unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
| CN110517441A (zh) * | 2019-09-26 | 2019-11-29 | 华南师范大学 | 基于深度学习框架嵌入式烟雾及火焰视频报警系统及方法 |
| CN110979208A (zh) * | 2019-11-28 | 2020-04-10 | 东风电驱动系统有限公司 | 一种车载智能信息终端 |
| CN111091072A (zh) * | 2019-11-29 | 2020-05-01 | 河海大学 | 一种基于YOLOv3的火焰及浓烟检测方法 |
| CN111210592A (zh) * | 2020-01-07 | 2020-05-29 | 珠海爬山虎科技有限公司 | 视频识别监护方法、计算机装置以及计算机可读存储介质 |
| CN111310684A (zh) * | 2020-02-24 | 2020-06-19 | 东声(苏州)智能科技有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
| CN111783618A (zh) * | 2020-06-29 | 2020-10-16 | 联通(浙江)产业互联网有限公司 | 一种基于视频内容分析的园区大脑感知方法和系统 |
| CN111914819A (zh) * | 2020-09-30 | 2020-11-10 | 杭州未名信科科技有限公司 | 一种多摄像头融合的人群密度预测方法、装置、存储介质及终端 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230188671A1 (en) * | 2021-12-09 | 2023-06-15 | Anhui University | Fire source detection method and device under condition of small sample size and storage medium |
| US11818493B2 (en) * | 2021-12-09 | 2023-11-14 | Anhui University | Fire source detection method and device under condition of small sample size and storage medium |
| CN115331384A (zh) * | 2022-08-22 | 2022-11-11 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202200381B (en) | 2022-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615019B (zh) | 基于时空自动编码器的异常行为检测方法 | |
| CN107862270B (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
| CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
| CN106600888B (zh) | 一种森林火灾自动检测方法及系统 | |
| CN110135249B (zh) | 基于时间注意力机制和lstm的人体行为识别方法 | |
| CN112735083A (zh) | 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 | |
| US20220180534A1 (en) | Pedestrian tracking method, computing device, pedestrian tracking system and storage medium | |
| WO2021095351A1 (ja) | 監視装置、監視方法、及びプログラム | |
| CN110852222A (zh) | 一种基于目标检测的校园走廊场景智能监控方法 | |
| CN115171047A (zh) | 基于轻量级长短距离注意力transformer网络的火灾图像检测方法 | |
| CN110335299A (zh) | 一种基于对抗网络的单目深度估计系统实现方法 | |
| CN114155595A (zh) | 行为检测监控方法、智能摄像头及智能监控系统 | |
| CN114332739A (zh) | 一种基于运动目标检测和深度学习技术的烟雾检测方法 | |
| CN112785564B (zh) | 一种基于机械臂的行人检测跟踪系统与方法 | |
| KR20000023923A (ko) | 표정변화와 주변환경에 독립적인 지능형 얼굴검출방법. | |
| Ryabchikov et al. | Integrating computer vision technologies for smart surveillance purpose | |
| CN116229507A (zh) | 人体姿态检测方法及系统 | |
| CN115205786A (zh) | 手机盗拍行为在线自动识别告警方法 | |
| CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 | |
| CN110796008A (zh) | 一种基于视频图像的早期火灾检测方法 | |
| CN112507925A (zh) | 一种基于慢特征分析的火灾检测方法 | |
| CN114550104B (zh) | 一种火情监测方法及系统 | |
| CN111581418A (zh) | 一种基于图像关联人物信息的目标人员搜索方法 | |
| Lee et al. | Real-Time Fire Detection Method Using YOLOv8 | |
| Xu et al. | A YOLOv5-based Target Detection Algorithm Design |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |