CN112906674A - 一种基于双目视觉的矿井火灾识别与火源定位方法 - Google Patents

一种基于双目视觉的矿井火灾识别与火源定位方法 Download PDF

Info

Publication number
CN112906674A
CN112906674A CN202110392130.4A CN202110392130A CN112906674A CN 112906674 A CN112906674 A CN 112906674A CN 202110392130 A CN202110392130 A CN 202110392130A CN 112906674 A CN112906674 A CN 112906674A
Authority
CN
China
Prior art keywords
fire
camera
identification
binocular
fire source
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
CN202110392130.4A
Other languages
English (en)
Inventor
孙继平
李月
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110392130.4A priority Critical patent/CN112906674A/zh
Publication of CN112906674A publication Critical patent/CN112906674A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种基于双目视觉的火灾识别与火源定位方法，主要步骤包括：采用立体匹配方法对矿井下重点监测区域安装的双目摄像机进行视觉配准，并拟合目标估计距离与实测距离的函数关系；通过深度学习模型对视频图像进行判识；当识别到火灾时，通过双目视觉计算火源与摄像机之间的估计距离，并带入估计距离与实测距离的函数关系，对火源位置进行实时定位。本发明的火灾识别与火源定位方法具有监测范围广，火灾监测实时性好，准确度高，并能够实现准确定位等优点。同时克服现有多源传感器的火灾监测装置进行矿井火灾识别时存在的误报和漏报问题，基于图像特征识别火焰方法在火场火焰特征不稳定时，直接导致火源识别率降低的问题。

Description

一种基于双目视觉的矿井火灾识别与火源定位方法
技术领域
本发明涉及一种基于双目视觉的矿井火灾识别与火源定位方法，尤其是基于图像的目标检测技术、双目视觉测距技术，以及煤矿井下火灾识别技术。
背景技术
当前，在我国煤矿生产过程中的五大灾害依次是瓦斯、水、火、煤尘、顶板。根据国家安监总局的统计数据分析可知：五大煤矿灾害引起的人员伤亡事故类型中，火灾事故占比1.6％，若以死亡人数超过3人为重大事故界限，火灾事故所占比例为3.6％。物体燃烧时通常会产生烟雾，还会产生一些有害气体。煤矿开采的井下巷道一般纵深较长，空间结构复杂，一旦发生火灾，燃烧产生的烟雾会迅速在巷道内蔓延，影响人员的疏散和救援。煤矿火灾一经发生，将直接导致煤炭生产中断，造成重大的经济损失，严重情况下将引起井下人员伤亡。所以越早的发现火焰，就能越早的采取措施，及时扑灭火焰，阻止火灾蔓延，会避免重大事故的发生。因此在矿井中能够及时地识别火灾和定位火源位置对于煤炭安全生产来说至关重要。
在现阶段，煤矿井下的火灾检测主要通过设置多源传感器装置来实现关键参数的实时监测，但是这些火灾监测装置所依赖的传感器往往容易受到井下环境因素的干扰，很难实现对火情的及时监控和火源定位，且易出现误报、漏报等情况。同时，这些火灾检测装置仅能够监测传感器周围区域的火灾，无法准确估计出火源的位置。在实际的火灾检测中，利用摄像机等外部设备作为图像采集器，进行实时视频采集，同时采用图像处理技术对采集到的图像进行分析，利用矿井火灾的图像特征对采集到的视频图像进行判识，以此识别是否监视区域内发生火灾，并通过双目视觉相机准确定位火源位置。该方法与基于多源传感器装置的火焰检测方法相比，基于视觉图像的检测方法更为准确，受外界环境干扰程度较低，且能够准确定位火源位置，通过视频图像对现场灾情做出判断并指定对应的应急预案。
针对传统的火灾监测装置所依赖的传感器易受到井下环境因素的干扰，难以实现对火情的及时监控和火源定位，且易出现误报、漏报等情况；基于图像特征识别火焰方法在火场火焰特征不稳定时，直接导致火源识别率降低的问题，以及现有的火灾监测装置和视频监控系统无法准确估计火源位置的缺陷。根据煤矿井下特殊环境，本发明设计了一种通过双目视觉和深度学习框架的火灾识别和火源定位方法来进行矿井火灾的监测，使得发现矿井火灾更为迅速，准确度更高，并实现准确定位。
发明内容
本发明所要解决的技术问题在于克服上述现有多源传感器的火灾监测装置进行矿井火灾识别时存在的误报和漏报问题，基于图像特征识别火焰方法在火场火焰特征不稳定时，直接导致火源识别率降低的问题，以及提供一种能够准确估计火源位置的矿井火灾监测方法，实现矿井下的正常生产和人员安全。
本发明具体采用以下技术方案解决上述技术问题：
一种基于双目视觉的矿井火灾识别与火源定位方法，其特征在于：火灾识别与火源定位方法包括以下步骤：
步骤1：在矿井下重点监测区域安装双目摄像机，采用立体匹配方法对双目摄像机进行视觉配准；
步骤2：在摄像机监测区域内，通过双目摄像机计算不同位置处的目标估计距离，并与目标位置距摄像机的实测距离进行对比，拟合估计距离与实测距离的函数关系；
步骤3：采集摄像机监测区域内的火灾视频图像，并根据火灾视频图像提取火灾的动态特征、静态特征和深度特征；
步骤4：根据步骤3中火灾的动态特征、静态特征和深度特征，获取模型的卷积层、BN层、激活函数和损失函数，并训练深度学习模型；
步骤5：实时采集摄像机监测区域内的视频图像，并通过构造的深度学习模型对所述的视频图像进行判识；
步骤6：循环步骤5过程，当识别到火灾时，通过双目测距方法计算火源与摄像机之间的估计距离；
步骤7：根据所述的估计距离，带入估计距离与实测距离的函数关系，对火源位置进行实时定位。
进一步地，所述重点监测区域包括矿井下巷道、采煤工作面、掘进工作面、机电硐室、井下变电站。
进一步地，双目摄像机采用可调基线的双目探测单元，摄像机采用双可见光摄像机或双红外摄像机或红外摄像机与可见光摄像机。
进一步地，火灾的动态特征包括火焰的面积变化率、火焰尖角变化率、火焰周长变化率、亮度变化率、质心移动区域；静态特征包括火焰的面积、周长、圆形度、矩形度、尖角数、颜色和纹理；深度特征包括浅层特征、中间层特征和深层特征。
进一步地，深度学习模型的网络结构采用多个尺度的特征图，所述特征图的个数不小于2；深度学习模型的目标标记采用基于候选框的多尺度预测方法；损失函数包括目标置信度损失、目标分类损失、目标定位偏移量损失。
进一步地，双目摄像机的视觉配准过程包括以下步骤：
步骤A1：预打印不同尺寸的棋盘标定纸，分别将棋盘标定纸依次平整的贴在距摄像机不同距离处；
步骤A2：使用双目摄像机同时拍摄，改变棋盘标定板的角度和距离，重复进行多次拍摄，依次拍摄15-20张；
步骤A3：获取在同一位置处的棋盘标定图片，依次提取角点进行标定，当平均标定误差小于0.5像素时，此次标定结果可用，得到相机的内外参数和畸变矩阵；
步骤A4：使用摄像机的内外参数和畸变矩阵对图像进行极线校正，使左右视图上的匹配点位于同一条直线上；
步骤A5：进行立体匹配，在左右视图上寻找匹配点，完成视觉配准。
附图说明
图1本发明的火灾识别与火源定位系统示意图；
图2本发明的火灾识别与火源定位方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施方法对本发明做详细、完整地描述，实施例不应被视为限制本发明的使用范围。
如图1所示，一种矿井火灾识别与火源定位方法的实现系统分为井上部分和井下部分，主要组成部分包括：
1.数据存储服务器(101)：负责存储由双目摄像机(105)采集的视频图像，并根据采集的视频图像对双目摄像机进行标定和视觉配准，并根据视频图像判断监测区域内是否存在火灾隐患，当判别监测区域内存在火灾视频图像时，则根据双目摄像机在同一时刻采用的图像，通过双目视觉算法得到火源的估计距离，并通信网络使预警模块(107)发出声光报警，同时使监视服务器(102)在预警模块发出报警信息后进行报警提示和人机交互。
2.监视服务器(102)：负责对煤矿监测区域的监控数据进行显示服务，同时监视服务器(102)与数据存储服务器(101)相互通信连接，对监测区域的实时图像进行显示，并在预警模块发出报警信息后进行报警提示和人机交互，生产管理人员可通过监视服务器(102)对数据存储服务器(101)存储的历史数据调取查询，且监视服务器(102)通过通信线路连接核心交换机(103)接入矿用通信网络。
3.核心交换机(103)：矿用通信网络的核心管理和交换设备，负责所有接入矿用通信网络的设备的管理和数据交换，具有路由功能，通过防火墙连接外部互联网。
4.环网交换机(104)：矿用通信网络的井下交换设备，安装在井下，多个环网交换机以环网方式连接。
5.双目摄像机(105)：即安装于巷道内的图像采集设备，负责采集矿井下巷道、采煤工作面、掘进工作面、机电硐室、井下变电站等引发火灾的重点监测区域的视频图像，视频图像可为彩色图像、灰度图像或伪彩色图像；双目摄像机采用可调基线的双目探测单元，摄像机采用双可见光摄像机或双红外摄像机或红外摄像机与可见光摄像机。
6.通信分站(106)：一端与双目摄像机(105)通信连接，另一端与环网交换机(104)通信连接，并且可通过无线通信网络或有线通信网络与两端设备相连，本示例中采用有线通信方式。
7.预警模块(107)：采用声光报警方式，通过通信网络与监视服务器(102)，通过核心交换机(103)与数据存储服务器(101)通信连接，当接收到数据存储服务器(101)发送的预警信号后，进行声光报警，提示工作人员对现场进行处置和启动应急预案。
如图2所示的火灾识别与火源定位方法流程，包括：
1.初始化(201)：在矿井下重点监测区域安装双目摄像机，采用立体匹配方法对双目摄像机进行视觉配准；所述重点监测区域包括矿井下巷道、采煤工作面、掘进工作面、机电硐室、井下变电站；所述视觉配准过程包括：
步骤A1：预打印不同尺寸的棋盘标定纸，分别将棋盘标定纸依次平整的贴在距摄像机
不同距离处；
步骤A2：使用双目摄像机同时拍摄，改变棋盘标定板的角度和距离，重复进行多次拍
摄，依次拍摄15-20张；
步骤A3：获取在同一位置处的棋盘标定图片，依次提取角点进行标定，当平均标定误
差小于0.5像素时，此次标定结果可用，得到相机的内外参数和畸变矩阵；
步骤A4：使用摄像机的内外参数和畸变矩阵对图像进行极线校正，使左右视图上的匹
配点位于同一条直线上；
步骤A5：进行立体匹配，在左右视图上寻找匹配点，完成视觉配准。
2.计算不同位置处的目标估计距离(202)：在摄像机监测区域内，由近到远依次在不同位置处设置多个显著性目标，并记录每一个目标距双目摄像机的实测距离；通过双目摄像机的SGBM算法计算不同位置处的目标估计距离；所述SGBM算法首先采用水平sobel算子对图像做处理；然后利用下式中的映射函数对图像上每个像素点进行处理，并得到一幅新的图像；映射函数
Figure BSA0000239247930000041
式中PNEW表示新图像上的目标位置，preFilterCap表示一个常数参数，P表示原图像上的目标位置；计算新图像的梯度信息并将其用于代价计算，所述代价计算由两部分组成，分别是新图像经过基于采样方法得到的梯度代价和原图像经过采样方法得到的SAD代价；接着将梯度代价在SAD窗口内，并采用WTA进行计算得到视差图，并利用动态规划方法进行最终匹配，所述动态规划方法利用每条扫描线上的顺序约束，将能量求解问题转化为寻找从扫描线起点到终点的最小成本路径，每个一维方向上的代价值Lr的计算公式为：
Figure BSA0000239247930000051
式中：r表示某个特定的指向中心像素的方向，Lr(p，d)表示沿当前方向中心像素p的视差为d时的最小代价值，第一项是基于点的匹配代价，第二项是沿着路径r的上一个点的代价值Lr与惩罚系数之和的最小值，第三项是沿着路径r的上一个点的代价值Lr的最小值，其作用是防止代价值Lr增长得过大，P1和P2分别表示不同的惩罚因子；其次采用唯一性检测、左右一致性检测和连通区域的检测对视差图做后处理，根据立体匹配唯一性约束，在待匹配点中，在目标图像上只能唯一一个点与之对应，并给这对匹配点视差值之间的差值设置一个阈值，当小于这一阈值时则表示满足唯一性约束，可以被保留下来，否则就会被剔除，检测完成后，再根据与之前处理的视差点满足连通条件的像素点个数来判断当前处理的视差点是否是误匹配点；最后针对视差图上的空洞，进行亚像素差值，使视差图保持完整，并通过测距公式计算目标估计距离，其中亚像素插值公式为：
Figure BSA0000239247930000052
式中：denom2表示亚像素插值变量，d表示视差图中同一坐标位置的视差值，Sp表示视差图中某一坐标位置，f表示摄像机焦距，B表示双目摄像机的基线，Zc表示目标估计距离。
3.拟合估计距离与实测距离的函数关系(203)：采用多次测量取平均值方法，获取同一位置处的目标估计距离和实测距离，同时采用相同的方法获取不同位置处的目标估计距离和实测距离，并采用多项式拟合算法获取估计距离与实测距离的函数关系；
4.提取火灾的动态特征、静态特征(204)：采集摄像机监测区域内的火灾视频图像，根据火灾视频图像提取火灾的动态特征、静态特征；所述的动态特征包括火焰的面积变化率、火焰尖角变化率、火焰周长变化率、亮度变化率、质心移动区域；所述的静态特征包括火焰的面积、周长、圆形度、矩形度、尖角数、颜色和纹理；
5.提取火灾的深度特征(205)：采集摄像机监测区域内的火灾视频图像，根据火灾视频图像提取火灾的深度特征，所述的深度特征包括浅层特征、中间层特征和深层特征；
6.训练深度模型(206)：深度学习模型的网络结构采用多个尺度的特征图，所述特征图的个数不小于2；深度学习模型的目标标记采用基于候选框的多尺度预测方法；损失函数包括目标置信度损失、目标分类损失、目标定位偏移量损失，所述深度学习模型包括YOLOv3、YOLOv3-tiny和改进的YOLOv3模型；
7.火灾识别(207)：实时采集摄像机监测区域内的视频图像，并通过构造的深度学习模型对所述的视频图像进行判识；
8.视频图像中是否存在火灾(208)：当火灾监测和火源定位系统监测到视频图像中存在火灾目标时，则顺序执行(209)，否则返回执行(207)；
9.计算火源与摄像机之间的估计距离(209)：当识别到火灾时，双目摄像机的测距方法为通过SGBM算法计算火源与摄像机之间的估计距离；
10.对火灾位置进行实时定位(210)：根据所述的估计距离，带入估计距离与实测距离的函数关系式，对火源真实位置进行测距误差补偿，进而实现对火源位置的实时定位。

Claims (6)

1.一种基于双目视觉的矿井火灾识别与火源定位方法，其特征在于：火灾识别与火源定位方法包括以下步骤：
步骤1：在矿井下重点监测区域安装双目摄像机，采用立体匹配方法对双目摄像机进行视觉配准；
步骤2：在摄像机监测区域内，通过双目摄像机计算不同位置处的目标估计距离，并与目标位置距摄像机的实测距离进行对比，拟合估计距离与实测距离的函数关系；
步骤3：采集摄像机监测区域内的火灾视频图像，并根据火灾视频图像提取火灾的动态特征、静态特征和深度特征；
步骤4：根据步骤3中火灾的动态特征、静态特征和深度特征，获取模型的卷积层、BN层、激活函数和损失函数，并训练深度学习模型；
步骤5：实时采集摄像机监测区域内的视频图像，并通过构造的深度学习模型对所述的视频图像进行判识；
步骤6：循环步骤5过程，当识别到火灾时，通过双目测距方法计算火源与摄像机之间的估计距离；
步骤7：根据所述的估计距离，带入估计距离与实测距离的函数关系，对火源位置进行实时定位。
2.如权利要求1所述的火灾识别与火源定位方法，其特征在于：所述重点监测区域包括矿井下巷道、采煤工作面、掘进工作面、机电硐室、井下变电站。
3.如权利要求1所述的火灾识别与火源定位方法，其特征在于：双目摄像机采用可调基线的双目探测单元，摄像机采用双可见光摄像机或双红外摄像机或红外摄像机与可见光摄像机。
4.如权利要求1所述的火灾识别与火源定位方法，其特征在于：火灾的动态特征包括火焰的面积变化率、火焰尖角变化率、火焰周长变化率、亮度变化率、质心移动区域；静态特征包括火焰的面积、周长、圆形度、矩形度、尖角数、颜色和纹理；深度特征包括浅层特征、中间层特征和深层特征。
5.如权利要求1所述的火灾识别与火源定位方法，其特征在于：深度学习模型的网络结构采用多个尺度的特征图，所述特征图的个数不小于2；深度学习模型的目标标记采用基于候选框的多尺度预测方法；损失函数包括目标置信度损失、目标分类损失、目标定位偏移量损失。
6.如权利要求1所述的火灾识别与火源定位方法，其特征在于：双目摄像机的视觉配准过程包括以下步骤：
步骤A1：预打印不同尺寸的棋盘标定纸，分别将棋盘标定纸依次平整的贴在距摄像机不同距离处；
步骤A2：使用双目摄像机同时拍摄，改变棋盘标定板的角度和距离，重复进行多次拍摄，依次拍摄15-20张；
步骤A3：获取在同一位置处的棋盘标定图片，依次提取角点进行标定，当平均标定误差小于0.5像素时，此次标定结果可用，得到相机的内外参数和畸变矩阵；
步骤A4：使用摄像机的内外参数和畸变矩阵对图像进行极线校正，使左右视图上的匹配点位于同一条直线上；
步骤A5：进行立体匹配，在左右视图上寻找匹配点，完成视觉配准。
CN202110392130.4A 2021-04-13 2021-04-13 一种基于双目视觉的矿井火灾识别与火源定位方法 Pending CN112906674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110392130.4A CN112906674A (zh) 2021-04-13 2021-04-13 一种基于双目视觉的矿井火灾识别与火源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110392130.4A CN112906674A (zh) 2021-04-13 2021-04-13 一种基于双目视觉的矿井火灾识别与火源定位方法

Publications (1)

Publication Number Publication Date
CN112906674A true CN112906674A (zh) 2021-06-04

Family

ID=76110618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110392130.4A Pending CN112906674A (zh) 2021-04-13 2021-04-13 一种基于双目视觉的矿井火灾识别与火源定位方法

Country Status (1)

Country Link
CN (1) CN112906674A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113384844A (zh) * 2021-06-17 2021-09-14 郑州万特电气股份有限公司 基于双目视觉的灭火动作检测方法及灭火器安全实训系统
CN114067197A (zh) * 2021-11-17 2022-02-18 河南大学 一种基于目标检测及双目视觉的管道缺陷识别与定位方法
CN115797439A (zh) * 2022-11-11 2023-03-14 中国消防救援学院 基于双目视觉的火焰空间定位系统及方法
CN116013024A (zh) * 2023-01-04 2023-04-25 内蒙古大学 一种可见光视觉特征融合的矿井外因火灾监测方法
CN118172882A (zh) * 2024-03-21 2024-06-11 中国矿业大学 一种基于深度学习的隧道火灾监测系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113384844A (zh) * 2021-06-17 2021-09-14 郑州万特电气股份有限公司 基于双目视觉的灭火动作检测方法及灭火器安全实训系统
CN113384844B (zh) * 2021-06-17 2022-01-28 郑州万特电气股份有限公司 基于双目视觉的灭火动作检测方法及灭火器安全实训系统
CN114067197A (zh) * 2021-11-17 2022-02-18 河南大学 一种基于目标检测及双目视觉的管道缺陷识别与定位方法
CN115797439A (zh) * 2022-11-11 2023-03-14 中国消防救援学院 基于双目视觉的火焰空间定位系统及方法
CN116013024A (zh) * 2023-01-04 2023-04-25 内蒙古大学 一种可见光视觉特征融合的矿井外因火灾监测方法
CN118172882A (zh) * 2024-03-21 2024-06-11 中国矿业大学 一种基于深度学习的隧道火灾监测系统

Similar Documents

Publication Publication Date Title
CN112906674A (zh) 一种基于双目视觉的矿井火灾识别与火源定位方法
CN110850723B (zh) 一种基于变电站巡检机器人系统的故障诊断及定位方法
CN104374376B (zh) 一种车载三维测量系统装置及其应用
CN111595453A (zh) 一种基于人脸识别的红外测温系统及方法
CN102568146B (zh) 一种基于红外热图像的火灾预警与早期消除系统
CN112686938B (zh) 基于双目图像测距的输电线路净距计算与安全告警方法
CN112857246B (zh) 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法
CN102496232B (zh) 一种输电设施监控方法及系统
CN114241298A (zh) 一种激光雷达和图像融合的塔吊环境目标检测方法及系统
CN110595433A (zh) 一种基于双目视觉的输电杆塔倾斜的测量方法
CN110940316A (zh) 复杂环境下变电站消防机器人的导航方法及系统
CN110703760A (zh) 一种用于安防巡检机器人的新增可疑物体检测方法
CN114112972B (zh) 一种密闭空间sf6气体泄漏红外遥测装置及其成像定位方法
CN111539264A (zh) 一种船舶火焰探测定位系统与探测定位方法
CN118289053A (zh) 一种基于立体视觉的钢轨爬行检测系统及方法
CN103149603A (zh) 一种基于视频的道路气象检测方法
CN111444837A (zh) 在极端环境下提升人脸检测可用性的测温方法及测温系统
CN103971479A (zh) 基于摄像机标定技术的林火定位方法
CN113965733A (zh) 双目视频监控方法、系统、计算机设备及存储介质
CN110969071A (zh) 一种基于可行驶区域的障碍物检测方法、装置及系统
CN110434848A (zh) 一种机械臂工作区域内异常人员检测方法
CN113267128A (zh) 一种双目视觉自动化边坡位移监测方法
CN111612833A (zh) 一种行驶车辆高度实时检测方法
CN106447732A (zh) 采用视差信息和三维信息获取异样区域的方法
CN113205562B (zh) 一种基于双目视觉的矿井热动力灾害判识与定位方法

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