CN112991262A - 油烟浓度的检测方法、系统、电子设备和存储介质 - Google Patents

油烟浓度的检测方法、系统、电子设备和存储介质 Download PDF

Info

Publication number
CN112991262A
CN112991262A CN202110162725.0A CN202110162725A CN112991262A CN 112991262 A CN112991262 A CN 112991262A CN 202110162725 A CN202110162725 A CN 202110162725A CN 112991262 A CN112991262 A CN 112991262A
Authority
CN
China
Prior art keywords
image
oil smoke
target
frame difference
acquiring
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
CN202110162725.0A
Other languages
English (en)
Inventor
刘玉凯
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.)
Ningbo Fotile Kitchen Ware Co Ltd
Original Assignee
Ningbo Fotile Kitchen Ware 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 Ningbo Fotile Kitchen Ware Co Ltd filed Critical Ningbo Fotile Kitchen Ware Co Ltd
Priority to CN202110162725.0A priority Critical patent/CN112991262A/zh
Publication of CN112991262A publication Critical patent/CN112991262A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20024—Filtering details
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种油烟浓度的检测方法、系统、电子设备和存储介质，所述检测方法包括：采集油烟产生区域对应的当前帧的油烟图像；获取所述油烟图像对应的油烟特征图像；判断所述油烟图像中是否包含预设对象，若包含，则获取所述油烟产生区域对应的背景帧图像；根据所述油烟特征图像与所述背景帧图像计算得到目标帧差图像；根据所述目标帧差图像获取油烟运动区域的目标占比，并根据所述目标占比获取所述油烟产生区域对应的油烟浓度等级。本发明针对存在锅盖等干扰源情况下，基于背景帧进行运动区域检测以准确地检测到稳定运动区域的图像，实现快速且准确地检测油烟浓度，达到了实时检测的效果，有效地提高了油烟检测精度。

Description

油烟浓度的检测方法、系统、电子设备和存储介质
技术领域
本发明涉及油烟检测技术领域，特别涉及一种油烟浓度的检测方法、系统、电子设备和存储介质。
背景技术
厨房是每个家庭每天进行烹饪处理的必要场景，厨房油烟处理的效果直接影响到了家庭成员的身体健康及生活品质。传统的油烟浓度检测的方法主要是红外反射法和物理颗粒物检测方法来检测油烟浓度的大小；其中，红外反射法主要是设备的发射端发射红外光，接收端接收到红外光的强度大小来判断当前的油烟的浓度大小，该方式对装置的安装位置准确性有极大的要求，且安装位置需要保证没有相关干扰物对红外光进行干扰才能保证的检测精度；而物理颗粒物检测方法主要是通过传感器检测空气中颗粒物的多少来判断当前油烟浓度的大小，该方案通过将传感器安装在油烟产生并排出的路径之间，当油烟颗粒物与传感器接触时才会真正的产生相应的响应，从而使得响应速度大大滞后，达不到实时检测的要求。
发明内容
本发明要解决的技术问题是为了克服现有技术中油烟浓度检测存在检测准确度不高的缺陷，提供一种油烟浓度的检测方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种油烟浓度的检测方法，所述检测方法包括：
采集油烟产生区域对应的当前帧的油烟图像；
获取所述油烟图像对应的油烟特征图像；
判断所述油烟图像中是否包含预设对象，若包含，则获取所述油烟产生区域对应的背景帧图像；
根据所述油烟特征图像与所述背景帧图像计算得到目标帧差图像；
根据所述目标帧差图像获取油烟运动区域的目标占比，并根据所述目标占比获取所述油烟产生区域对应的油烟浓度等级。
较佳地，所述获取所述油烟产生区域对应的背景帧图像的步骤包括：
在当前设定时间内，对相邻两帧的油烟图像进行帧差处理以得到第一帧差图像；
获取所述第一帧差图像中白色像素点对应的第一占比；
判断所述第一占比是否小于设定阈值且持续设定时长，若是，则将后一帧图像作为所述背景帧图像。
较佳地，所述根据所述目标帧差图像获取油烟运动区域的目标占比的步骤包括：
计算得到所述目标帧差图像中白色像素点对应的所述目标占比；
其中，所述目标帧差图像中白色像素点所在区域对应所述油烟运动区域；
所述目标占比的大小与所述油烟浓度等级呈正相关。
较佳地，所述获取所述油烟图像对应的油烟特征图像的步骤包括：
对所述油烟图像进行灰度处理以获取灰度图像；
将所述灰度图像进行最小值滤波处理以获取所述油烟特征图像。
较佳地，所述对所述油烟图像进行灰度处理以获取灰度图像的步骤之前还包括：
获取所述油烟图像在RGB通道(即红绿蓝三个颜色通道)上的最小值图像；
所述对所述油烟图像进行灰度处理以获取灰度图像的步骤包括：
对所述最小值图像进行灰度处理以获取所述灰度图像。
较佳地，在所述油烟特征图像中不包含所述预设对象时，所述检测方法还包括：
对所述油烟特征图像进行灰度直方图统计以获取所述油烟产生区域对应的油烟浓度等级；和/或，
当所述油烟产生区域包括烹饪区域时，所述预设对象包括锅盖。
本发明还提供一种油烟浓度的检测系统，所述检测系统包括：
帧图像采集模块，用于采集油烟产生区域对应的当前帧的油烟图像；
油烟特征图像获取模块，用于获取所述油烟图像对应的油烟特征图像；
判断模块，用于判断所述油烟图像中是否包含预设对象，若包含，则调用背景帧图像获取模块以获取所述油烟产生区域对应的背景帧图像；
目标帧差图像获取模块，用于根据所述油烟特征图像与所述背景帧图像计算得到目标帧差图像；
目标占比获取模块，用于根据所述目标帧差图像获取油烟运动区域的目标占比；
油烟浓度等级获取模块，用于根据所述目标占比获取所述油烟产生区域对应的油烟浓度等级。
较佳地，所述背景帧图像获取模块包括：
第一帧差图像计算单元，用于在当前设定时间内，对相邻两帧的油烟图像进行帧差处理以得到第一帧差图像；
第一占比获取单元，用于获取所述第一帧差图像中白色像素点对应的第一占比；
判断单元，用于判断所述第一占比是否小于设定阈值且持续设定时长，若是，则调用背景帧图像获取单元以将后一帧图像作为所述背景帧图像。
较佳地，所述目标占比获取模块用于计算得到所述目标帧差图像中白色像素点对应的所述目标占比；
其中，所述目标帧差图像中白色像素点所在区域对应所述油烟运动区域；
所述目标占比的大小与所述油烟浓度等级呈正相关。
较佳地，所述油烟特征图像获取模块包括：
灰度处理单元，用于对所述油烟图像进行灰度处理以获取灰度图像；
滤波处理单元，用于将所述灰度图像进行最小值滤波处理以获取所述油烟特征图像。
较佳地，所述油烟特征图像获取模块还包括：
最小值图像获取单元，用于获取所述油烟图像在RGB通道上的最小值图像；
所述灰度处理单元用于对所述最小值图像进行灰度处理以获取所述灰度图像。
较佳地，所述油烟浓度等级获取模块还用于在所述油烟特征图像中不包含所述预设对象时，对所述油烟特征图像进行灰度直方图统计以获取所述油烟产生区域对应的油烟浓度等级；和/或，
当所述油烟产生区域包括烹饪区域时，所述预设对象包括锅盖。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的油烟浓度的检测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求上述的油烟浓度的检测方法的步骤。
本发明的积极进步效果在于：
通过依次对油烟图像进行RGB通道上的最小值处理、灰度处理以及最小值过滤处理操作以获取油烟特征图像，实现对图像中干扰信息的抑制，提高了油烟特征图像获取的准确性，保证了后续油烟浓度检测的准确度；为了避免锅盖等物体引起的误检或干扰等情况发生，预先训练物体识别模型以对油烟特征图像中是否存在锅盖等进行准确识别，在不存在时则直接采用灰度直方图统计来确定油烟浓度等级；在存在时则基于背景帧更新的帧差法来对油烟运动区域进行检测以最终确定油烟浓度等级，实现即便对于油烟稳定的情况，如油烟或水汽在持续一段时间内稳定生成(蒸煮食物等)的情况，基于背景帧进行运动区域检测相对于现有的帧差方法更能准确地检测到稳定运动区域的图像，实现快速且准确地检测油烟浓度，达到了实时检测的效果，有效地提高了油烟检测精度。
附图说明
图1为本发明的烹饪场景下的第一场景示意图。
图2为本发明的烹饪场景下的第二场景示意图。
图3为本发明实施例1的油烟浓度的检测方法的流程图。
图4为本发明实施例1的油烟浓度的检测方法的流程图。
图5为本发明实施例2的油烟浓度的检测系统的模块示意图。
图6为本发明实施例3的实现油烟浓度的检测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
本发明的油烟浓度方案的应用场景适用于需要油烟浓度检测的所有场景。当应用场景为烹饪场景时，如图1所示，图像采集设备(如摄像头)设置在油烟机上，采用摄像头实时采集烹饪区域的相关场景图像，然后根据油烟识别区在整个识别场景中的相对位置来确定两个烹饪区域(如图2所示，)的相对位置，进而得到烹饪区域对应的每一帧油烟图像。
实施例1
如图3和图4所示，本实施例的油烟浓度的检测方法包括：
S101、采集油烟产生区域对应的当前帧的油烟图像；具体可以采用图像采集设备实时采集油烟产生区域(如烹饪区域)的每一帧油烟图像。
S102、获取油烟图像对应的油烟特征图像；其中，油烟特征图像能够清晰、充分凸显或反映当前油烟产生区域中油烟的分布情况。
具体地，步骤S102包括：
S1021、获取油烟图像在RGB通道上的最小值图像；
S1022、对最小值图像进行灰度处理以获取灰度图像；
S1023、将灰度图像进行最小值滤波处理以获取油烟特征图像，即针对油烟本身的颜色特征得到油烟特征图像算法，保证了油烟特征图像获取的有效性和准确性。
具体地，计算RGB通道上的最小值图像的公式如下：
Figure BDA0002936128020000061
Ic(y)表示原图每个通道上的像素值，I(x)表示获取到的RGB通道图像的最小值图像。
将最小值图像转化为灰度图像的公式如下：
G(x)＝0.3IR(x)+0.59IG(x)+0.11IB(x)
将得到的灰度值图像G(x)进行最小值滤波的步骤如下：
(a)选定kernel矩阵的大小为3*3；(b)对灰度图像G(x)按照kernel矩阵的大小进行滑窗操作，将每一个滑窗中的8-邻域值都与中心点的像素值做比较，若8邻域中存在比中心点小的像素值时，则采用该像素值替代中心点的像素值；(c)按照步骤(b)遍历灰度图像中的G(x)以最终得到了油烟特征图像。
本实施例中，通过依次对油烟图像进行RGB通道上的最小值处理、灰度处理以及最小值过滤处理操作以获取油烟特征图像，实现对图像中干扰信息的抑制，提高了油烟特征图像获取的准确性，保证了后续油烟浓度检测的准确度。当然，还可以根据实际的图像处理需求，结合其他图像处理方式进行处理以保证油烟特征图像获取的有效性和准确性。
S103、判断油烟图像中是否包含预设对象，若包含，则执行步骤S104；若不包含，则执行步骤S108；
在烹饪场景下，预设对象可以为与油烟灰度值相似的锅盖等常见对象，具体可以根据实际场景的物体设置情况与预设对象进行重新设置与调整，以适配于对应的场景需求，其对应油烟检测过程与本实施例类似，因此就不再赘述。
通过预设对象的识别，有效地排除了因锅盖等干扰源的存在对油烟浓度检测造成的影响，尽量地避免了存在误检测情况发生。具体地，将收集好的锅具正负样本数据集带入到机器学习模型中进行训练以建立锅盖检测模型；利用该模型来对摄像头实时采集的烹饪区域的油烟图像进行识别，判定油烟图像中是否存在锅盖。
其中，机器学习模型如何基于锅具正负样本数据集训练得到锅盖检测模型属于本领域的成熟技术，因此此处就不再赘述。
另外，其他预设对象的模型训练过程及原理和锅盖检测模型的训练过程及原理类似，因此此处就不再赘述。
S104、获取油烟产生区域对应的背景帧图像；
具体地，传统的运动区域检测方法(如前后帧之间的帧差法)来确定油烟运动区域，仅适用于运动区域变化较大的情况；然而当存在锅盖后烹饪区域的油烟图像相对稳定，此时油烟相对比较稳定，油烟运动区域前后帧变化不明显，采用传统的运动区域检测方法很难有效且准确地判别运动区域的范围，本实施例提出基于背景帧更新的帧差方法对油烟运动区域进行检测的方案。
具体地，步骤S104包括：
在当前设定时间内，对相邻两帧的油烟图像进行帧差处理以得到第一帧差图像；
获取第一帧差图像中白色像素点对应的第一占比；
判断第一占比是否小于设定阈值且持续设定时长，若是，则将后一帧图像作为背景帧图像；
当前设定时间内，选取某一帧图像
Figure BDA0002936128020000071
与前一帧图像
Figure BDA0002936128020000072
进行帧差处理得到帧差图像
Figure BDA0002936128020000073
即
Figure BDA0002936128020000074
当
Figure BDA0002936128020000075
Figure BDA0002936128020000076
时，该像素点位置为黑色，否则为白色。其中m,n为待检测图像的尺寸，像素点位置为白色的部分则为潜在的油烟运动区域。
统计帧差图像
Figure BDA0002936128020000081
中白色像素点的个数占总像素点的个数的比例，考虑到视频流本身的噪点所引起(采集视频流的设备硬件性能产生的)的前后帧图像的差异，可以选取设定值(如10％)的运动区域像素点个数占像素点个数的比例作为划分是否为背景帧的阈值，即如当运动区域比例小于10％且持续时长大于T时，则取当前的某一帧作为相对稳定情况下的背景帧图像
Figure BDA0002936128020000082
背景帧图像是实时更新的，以保证背景帧图像与当前帧图像之间的帧差图像能够准确反映当前场景下的油烟浓度情况。
S105、根据油烟特征图像与背景帧图像计算得到目标帧差图像；
S106、根据目标帧差图像获取油烟运动区域的目标占比；
具体地，步骤S106包括：
S1061、计算得到目标帧差图像中白色像素点对应的目标占比；
其中，目标帧差图像中白色像素点所在区域对应油烟运动区域；
目标占比的大小与油烟浓度等级呈正相关。
S107、根据目标占比获取油烟产生区域对应的油烟浓度等级。
具体地，利用当前帧图像
Figure BDA0002936128020000083
与背景帧图像
Figure BDA0002936128020000084
进行帧差计算以得到基于背景帧图像的帧差图像
Figure BDA0002936128020000085
即
Figure BDA0002936128020000086
得到基于背景帧图像的帧差图像
Figure BDA0002936128020000087
后，计算二值化后的帧差图像中不为0像素点(即白色像素点)的个数占总像素点的个数的比例，并将该比例作为油烟运动区域在油烟特征图像中的占比情况，并根据占比确定最终的油烟浓度等级。
例如，选取10％和20％作为划分油烟浓度等级的阈值区间，即当该占比大于20％则确定当前烹饪场景对应大烟状态，当该占比小于或者等于20％，且大于10％，则确定当前烹饪场景对应中小烟状态，否则确定当前烹饪场景对应无烟状态。
S108、对油烟特征图像进行灰度直方图统计以获取油烟产生区域对应的油烟浓度等级。
具体地，即基于油烟特征图像中的所有像素点统计相同灰度值出现的次数，再将0-255灰度级的灰度直方图变换到三个区间内，每个区间的区间长度分别为80、70、105，根据每个区间长度的像素点的总个数来划分相应的油烟浓度等级作为最终油烟检测的结果。
本实施例中，通过对油烟特征图像中是否存在预设对象，如烹饪场景中判断油烟特征图像中是否存在锅盖，在有锅盖的情况采用基于背景帧更新的帧差法进行油烟浓度识别，在无锅盖的情况下直接采用灰度直方图统计来确定油烟浓度，从而很好地对实际应用过程中对油烟运动区域产生干扰的情况进行排除，避免将油烟感兴趣区域误排除掉，保证了最终的油烟检测精度和检测效果。
本实施例中，为了避免锅盖等物体引起的误检或干扰等情况发生，预先训练物体识别模型以对油烟特征图像中是否存在锅盖等进行准确识别，在不存在时则直接采用灰度直方图统计来确定油烟浓度等级；在存在时则基于背景帧更新的帧差法来对油烟运动区域进行检测以最终确定油烟浓度等级，实现即便对于油烟稳定的情况，如油烟或水汽在持续一段时间内稳定生成(蒸煮食物等)的情况，基于背景帧进行运动区域检测相对于现有的帧差方法更能准确地检测到稳定运动区域的图像，实现快速且准确地检测油烟浓度，达到了实时检测的效果，有效地提高了油烟检测精度。
实施例2
如图5所示，本实施例的油烟浓度的检测系统包括帧图像采集模块1、油烟特征图像获取模块2、判断模块3、背景帧图像获取模块4、目标帧差图像获取模块5、目标占比获取模块6和油烟浓度等级获取模块7。
帧图像采集模块1用于采集油烟产生区域对应的油烟图像；
具体可以采用图像采集设备实时采集油烟产生区域(如烹饪区域)的每一帧油烟图像。
油烟特征图像获取模块2用于获取油烟图像对应的油烟特征图像；其中，油烟特征图像能够清晰、充分凸显或反映当前油烟产生区域中油烟的分布情况。
具体地，油烟特征图像获取模块2包括最小值图像获取单元、灰度处理单元和滤波处理单元；
最小值图像获取单元用于获取油烟图像在RGB通道上的最小值图像；
灰度处理单元用于对最小值图像进行灰度处理以获取灰度图像；
滤波处理单元用于将灰度图像进行最小值滤波处理以获取油烟特征图像。
即针对油烟本身的颜色特征得到油烟特征图像算法，保证了油烟特征图像获取的有效性和准确性。
具体地，计算RGB通道上的最小值图像的公式如下：
Figure BDA0002936128020000101
Ic(y)表示原图每个通道上的像素值，I(x)表示获取到的RGB通道图像的最小值图像。
将最小值图像转化为灰度图像的公式如下：
G(x)＝0.3IR(x)+0.59IG(x)+0.11IB(x)
将得到的灰度值图像G(x)进行最小值滤波的步骤如下：
(a)选定kernel矩阵的大小为3*3；(b)对灰度图像G(x)按照kernel矩阵的大小进行滑窗操作，将每一个滑窗中的8-邻域值都与中心点的像素值做比较，若8邻域中存在比中心点小的像素值时，则采用该像素值替代中心点的像素值；(c)按照步骤(b)遍历灰度图像中的G(x)以最终得到了油烟特征图像。
本实施例中，通过依次对油烟图像进行RGB通道上的最小值处理、灰度处理以及最小值过滤处理操作以获取油烟特征图像，实现对图像中干扰信息的抑制，提高了油烟特征图像获取的准确性，保证了后续油烟浓度检测的准确度。当然，还可以根据实际的图像处理需求，结合其他图像处理方式进行处理以保证油烟特征图像获取的有效性和准确性。
判断模块3用于判断油烟图像中是否包含预设对象，若包含，则调用背景帧图像获取模块4；
在烹饪场景下，预设对象可以为与油烟灰度值相似的锅盖等常见对象，具体可以根据实际场景的物体设置情况与预设对象进行重新设置与调整，以适配于对应的场景需求，其对应油烟检测过程与本实施例类似，因此就不再赘述。
通过预设对象的识别，有效地排除了因锅盖等干扰源的存在对油烟浓度检测造成的影响，尽量地避免了存在误检测情况发生。具体地，将收集好的锅具正负样本数据集带入到机器学习模型中进行训练以建立锅盖检测模型；利用该模型来对摄像头实时采集的烹饪区域的油烟图像进行识别，判定油烟图像中是否存在锅盖。
其中，机器学习模型如何基于锅具正负样本数据集训练得到锅盖检测模型属于本领域的成熟技术，因此此处就不再赘述。
另外，其他预设对象的模型训练过程及原理和锅盖检测模型的训练过程及原理类似，因此此处就不再赘述。
背景帧图像获取模块4用于获取油烟产生区域对应的背景帧图像；
具体地，传统的运动区域检测方法(如前后帧之间的帧差法)来确定油烟运动区域，仅适用于运动区域变化较大的情况；然而当存在锅盖后烹饪区域的油烟图像相对稳定，此时油烟相对比较稳定，油烟运动区域前后帧变化不明显，采用传统的运动区域检测方法很难有效且准确地判别运动区域的范围，本实施例提出基于背景帧更新的帧差方法对油烟运动区域进行检测的方案。
具体地，背景帧图像获取模块4包括第一帧差图像计算单元、第一占比获取单元和判断单元。
第一帧差图像计算单元用于在当前设定时间内，对相邻两帧的油烟图像进行帧差处理以得到第一帧差图像；
第一占比获取单元用于获取第一帧差图像中白色像素点对应的第一占比；
判断单元用于判断第一占比是否小于设定阈值且持续设定时长，若是，则调用背景帧图像获取单元以将后一帧图像作为背景帧图像。
当前设定时间内，选取某一帧图像
Figure BDA0002936128020000121
与前一帧图像
Figure BDA0002936128020000122
进行帧差处理得到帧差图像
Figure BDA0002936128020000123
即
Figure BDA0002936128020000124
当
Figure BDA0002936128020000125
Figure BDA0002936128020000126
时，该像素点位置为黑色，否则为白色。其中m,n为待检测图像的尺寸，像素点位置为白色的部分则为潜在的油烟运动区域。
统计帧差图像
Figure BDA0002936128020000127
中白色像素点的个数占总像素点的个数的比例，考虑到视频流本身的噪点所引起(采集视频流的设备硬件性能产生的)的前后帧图像的差异，可以选取设定值(如10％)的运动区域像素点个数占像素点个数的比例作为划分是否为背景帧的阈值，即如当运动区域比例小于10％且持续时长大于T时，则取当前的某一帧作为相对稳定情况下的背景帧图像
Figure BDA0002936128020000128
背景帧图像是实时更新的，以保证背景帧图像与当前帧图像之间的帧差图像能够准确反映当前场景下的油烟浓度情况。
目标帧差图像获取模块5用于根据油烟特征图像与背景帧图像计算得到目标帧差图像；
目标占比获取模块6用于根据目标帧差图像获取油烟运动区域的目标占比；
具体地，目标占比获取模块6用于计算得到目标帧差图像中白色像素点对应的目标占比；
其中，目标帧差图像中白色像素点所在区域对应油烟运动区域；
目标占比的大小与油烟浓度等级呈正相关。
油烟浓度等级获取模块7用于根据目标占比获取油烟产生区域对应的油烟浓度等级。
具体地，利用当前帧图像
Figure BDA0002936128020000129
与背景帧图像
Figure BDA00029361280200001210
进行帧差计算以得到基于背景帧图像的帧差图像
Figure BDA00029361280200001211
即
Figure BDA00029361280200001212
得到基于背景帧图像的帧差图像
Figure BDA00029361280200001213
后，计算二值化后的帧差图像中不为0像素点(即白色像素点)的个数占总像素点的个数的比例，并将该比例作为油烟运动区域在油烟特征图像中的占比情况，并根据占比确定最终的油烟浓度等级。
例如，选取10％和20％作为划分油烟浓度等级的阈值区间，即当该占比大于20％则确定当前烹饪场景对应大烟状态，当该占比小于或者等于20％，且大于10％，则确定当前烹饪场景对应中小烟状态，否则确定当前烹饪场景对应无烟状态。
另外，在判断单元判断在油烟特征图像中不包含预设对象时，油烟浓度等级获取模块7用于对油烟特征图像进行灰度直方图统计以获取油烟产生区域对应的油烟浓度等级。
具体地，即基于油烟特征图像中的所有像素点统计相同灰度值出现的次数，再将0-255灰度级的灰度直方图变换到三个区间内，每个区间的区间长度分别为80、70、105，根据每个区间长度的像素点的总个数来划分相应的油烟浓度等级作为最终油烟检测的结果。
本实施例中，通过对油烟特征图像中是否存在预设对象，如烹饪场景中判断油烟特征图像中是否存在锅盖，在有锅盖的情况采用基于背景帧更新的帧差法进行油烟浓度识别，在无锅盖的情况下直接采用灰度直方图统计来确定油烟浓度，从而很好地对实际应用过程中对油烟运动区域产生干扰的情况进行排除，避免将油烟感兴趣区域误排除掉，保证了最终的油烟检测精度和检测效果。
本实施例中，为了避免锅盖等物体引起的误检或干扰等情况发生，预先训练物体识别模型以对油烟特征图像中是否存在锅盖等进行准确识别，在不存在时则直接采用灰度直方图统计来确定油烟浓度等级；在存在时则基于背景帧更新的帧差法来对油烟运动区域进行检测以最终确定油烟浓度等级，实现即便对于油烟稳定的情况，如油烟或水汽在持续一段时间内稳定生成(蒸煮食物等)的情况，基于背景帧进行运动区域检测相对于现有的帧差方法更能准确地检测到稳定运动区域的图像，实现快速且准确地检测油烟浓度，达到了实时检测的效果，有效地提高了油烟检测精度。
实施例3
图6为本发明实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1中的油烟浓度的检测方法。图6显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1中的油烟浓度的检测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1中的油烟浓度的检测方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1中的油烟浓度的检测方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (14)

1.一种油烟浓度的检测方法，其特征在于，所述检测方法包括：
采集油烟产生区域对应的当前帧的油烟图像；
获取所述油烟图像对应的油烟特征图像；
判断所述油烟图像中是否包含预设对象，若包含，则获取所述油烟产生区域对应的背景帧图像；
根据所述油烟特征图像与所述背景帧图像计算得到目标帧差图像；
根据所述目标帧差图像获取油烟运动区域的目标占比，并根据所述目标占比获取所述油烟产生区域对应的油烟浓度等级。
2.如权利要求1所述的油烟浓度的检测方法，其特征在于，所述获取所述油烟产生区域对应的背景帧图像的步骤包括：
在当前设定时间内，对相邻两帧的油烟图像进行帧差处理以得到第一帧差图像；
获取所述第一帧差图像中白色像素点对应的第一占比；
判断所述第一占比是否小于设定阈值且持续设定时长，若是，则将后一帧图像作为所述背景帧图像。
3.如权利要求1或2所述的油烟浓度的检测方法，其特征在于，所述根据所述目标帧差图像获取油烟运动区域的目标占比的步骤包括：
计算得到所述目标帧差图像中白色像素点对应的所述目标占比；
其中，所述目标帧差图像中白色像素点所在区域对应所述油烟运动区域；
所述目标占比的大小与所述油烟浓度等级呈正相关。
4.如权利要求1所述的油烟浓度的检测方法，其特征在于，所述获取所述油烟图像对应的油烟特征图像的步骤包括：
对所述油烟图像进行灰度处理以获取灰度图像；
将所述灰度图像进行最小值滤波处理以获取所述油烟特征图像。
5.如权利要求4所述的油烟浓度的检测方法，其特征在于，所述对所述油烟图像进行灰度处理以获取灰度图像的步骤之前还包括：
获取所述油烟图像在RGB通道上的最小值图像；
所述对所述油烟图像进行灰度处理以获取灰度图像的步骤包括：
对所述最小值图像进行灰度处理以获取所述灰度图像。
6.如权利要求1所述的油烟浓度的检测方法，其特征在于，在所述油烟特征图像中不包含所述预设对象时，所述检测方法还包括：
对所述油烟特征图像进行灰度直方图统计以获取所述油烟产生区域对应的油烟浓度等级；和/或，
当所述油烟产生区域包括烹饪区域时，所述预设对象包括锅盖。
7.一种油烟浓度的检测系统，其特征在于，所述检测系统包括：
帧图像采集模块，用于采集油烟产生区域对应的当前帧的油烟图像；
油烟特征图像获取模块，用于获取所述油烟图像对应的油烟特征图像；
判断模块，用于判断所述油烟图像中是否包含预设对象，若包含，则调用背景帧图像获取模块以获取所述油烟产生区域对应的背景帧图像；
目标帧差图像获取模块，用于根据所述油烟特征图像与所述背景帧图像计算得到目标帧差图像；
目标占比获取模块，用于根据所述目标帧差图像获取油烟运动区域的目标占比；
油烟浓度等级获取模块，用于根据所述目标占比获取所述油烟产生区域对应的油烟浓度等级。
8.如权利要求7所述的油烟浓度的检测系统，其特征在于，所述背景帧图像获取模块包括：
第一帧差图像计算单元，用于在当前设定时间内，对相邻两帧的油烟图像进行帧差处理以得到第一帧差图像；
第一占比获取单元，用于获取所述第一帧差图像中白色像素点对应的第一占比；
判断单元，用于判断所述第一占比是否小于设定阈值且持续设定时长，若是，则调用背景帧图像获取单元以将后一帧图像作为所述背景帧图像。
9.如权利要求7或8所述的油烟浓度的检测系统，其特征在于，所述目标占比获取模块用于计算得到所述目标帧差图像中白色像素点对应的所述目标占比；
其中，所述目标帧差图像中白色像素点所在区域对应所述油烟运动区域；
所述目标占比的大小与所述油烟浓度等级呈正相关。
10.如权利要求7所述的油烟浓度的检测系统，其特征在于，所述油烟特征图像获取模块包括：
灰度处理单元，用于对所述油烟图像进行灰度处理以获取灰度图像；
滤波处理单元，用于将所述灰度图像进行最小值滤波处理以获取所述油烟特征图像。
11.如权利要求10所述的油烟浓度的检测系统，其特征在于，所述油烟特征图像获取模块还包括：
最小值图像获取单元，用于获取所述油烟图像在RGB通道上的最小值图像；
所述灰度处理单元用于对所述最小值图像进行灰度处理以获取所述灰度图像。
12.如权利要求7所述的油烟浓度的检测系统，其特征在于，所述油烟浓度等级获取模块还用于在所述油烟特征图像中不包含所述预设对象时，对所述油烟特征图像进行灰度直方图统计以获取所述油烟产生区域对应的油烟浓度等级；和/或，
当所述油烟产生区域包括烹饪区域时，所述预设对象包括锅盖。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1-6中任一项所述的油烟浓度的检测方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的油烟浓度的检测方法的步骤。
CN202110162725.0A 2021-02-05 2021-02-05 油烟浓度的检测方法、系统、电子设备和存储介质 Pending CN112991262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110162725.0A CN112991262A (zh) 2021-02-05 2021-02-05 油烟浓度的检测方法、系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110162725.0A CN112991262A (zh) 2021-02-05 2021-02-05 油烟浓度的检测方法、系统、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN112991262A true CN112991262A (zh) 2021-06-18

Family

ID=76348227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110162725.0A Pending CN112991262A (zh) 2021-02-05 2021-02-05 油烟浓度的检测方法、系统、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112991262A (zh)

Similar Documents

Publication Publication Date Title
CN107330731B (zh) 一种识别广告位点击异常的方法和装置
CN111401246B (zh) 一种烟雾浓度检测方法、装置、设备及存储介质
CN112949704B (zh) 一种基于图像分析的烟叶成熟度状态识别方法及装置
CN109087363B (zh) 一种基于hsv颜色空间的污水排放检测方法
CN111144337B (zh) 火灾检测方法、装置及终端设备
CN112614109B (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN112149476B (zh) 目标检测方法、装置、设备和存储介质
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN111353968B (zh) 一种基于盲元检测与分析的红外图像质量评价方法
CN113096103A (zh) 一种面向放空火炬的烟气智能影像感知方法
Yan et al. [Retracted] Optimization Research on Deep Learning and Temporal Segmentation Algorithm of Video Shot in Basketball Games
CN117333776A (zh) VOCs气体泄漏检测方法、装置及存储介质
CN112784835A (zh) 圆形印章的真实性识别方法、装置、电子设备及存储介质
CN101764922A (zh) 亮度阈值的自适应生成的方法及装置
CN103903020A9 (zh) 一种基于CodeBook的火灾图像识别方法及装置
CN111860324A (zh) 基于小波变换的高频分量检测及色彩识别的火灾预警方法
CN111783900B (zh) 油烟浓度检测模型的训练方法以及烟机档位的控制方法
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
KR102576747B1 (ko) 심층신경망을 기반으로 하는 객체 검출기의 지역 최적화를 위한 시스템 및 이를 위한 로컬 데이터베이스 생성 방법
CN112989933B (zh) 油烟浓度的识别方法、系统、电子设备和存储介质
CN112991262A (zh) 油烟浓度的检测方法、系统、电子设备和存储介质
CN114387484B (zh) 一种基于yolov4改进的口罩佩戴检测方法及系统
CN115620119A (zh) 一种天气类型图像检测及雾天图像处理方法及装置
CN114581901A (zh) 一种古建墙壁受污题记文字图像边缘提取方法
CN111402189B (zh) 一种视频图像偏色检测装置及方法

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