CN113361345A - 一种烟火智能识别方法 - Google Patents
一种烟火智能识别方法 Download PDFInfo
- Publication number
- CN113361345A CN113361345A CN202110564989.9A CN202110564989A CN113361345A CN 113361345 A CN113361345 A CN 113361345A CN 202110564989 A CN202110564989 A CN 202110564989A CN 113361345 A CN113361345 A CN 113361345A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- detection
- smoke
- frame selection
- 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 36
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 239000000779 smoke Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000001931 thermography Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及数据处理领域，公开了一种烟火智能识别方法，包括获取检测区域图像和烟火图像；将正常图像和烟火图像合成，生成训练样本集；基于目标检测网络对样本集进行训练，得到检测模型；基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域；采用热成像仪对准框选区域获取红外图像；对红外图像进行处理，获取预测温度；当预测温度高于标准值时，判断为着火。即可通过将烟火图像和检测区域图像组合方便地得到样本，然后通过目标检测网络形成检测模型应用于目标区域的检测，当确认有着火点时，还可以通过热成像仪进行照射，以提供温度参考综合进行判断，从而可以提高判断的准确度。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种烟火智能识别方法。
背景技术
烟火检测是安防的重要方面，如果能在火灾发生初期就能检测到烟火，就能提前预警，将灾害降到最低。在室内等环境中，烟火检测一般都用的是物理(光测度)和化学的(电离)方法，这也是目前的烟火报警器所广泛使用的。然而，在特殊的场景，例如在场景较大的场合中(比如森林大火的预警，或者房屋高层火灾预警)，物理和化学的方法不易使用，基于机器视觉的检测方法更加适合。
对于火灾预防来说，能不能在火灾最初的时候对火灾进行提前的防护对于生命财产安全至关重要。但是烟火识别的难度在于特征抽象，形态多样，特征不明显，并且实际场景中样本较少，且不容易获取，使得现有的检测识别方法精度较低无法，无法满足需要。
发明内容
本发明的目的在于提供一种烟火智能识别方法，旨在解决现有识别方法精确度较低，无法满足正常需要的问题。
为实现上述目的，本发明提供了一种烟火智能识别方法，包括：获取检测区域图像和烟火图像；将正常图像和烟火图像合成，生成训练样本集；基于目标检测网络对样本集进行训练，得到检测模型；基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域；采用热成像仪对准框选区域获取红外图像；对红外图像进行处理，获取预测温度；当预测温度高于标准值时，判断为着火。
其中，所述当预测温度高于标准值时，判断为着火之后，所述方法还包括：着火时通过网络发出警告。
其中，所述获取检测区域图像和烟火图像的具体步骤是：
采用监控摄像头对检测区域进行拍照，得到检测区域图像；
对烟火进行拍照并去掉背景，得到烟火图像。
其中，所述将正常图像和烟火图像合成，生成训练样本集的方式是采用StarGAN将正常图像和烟火图像进行合成以生成训练样本集。
其中，所述基于目标检测网络对样本集进行训练，得到检测模型的具体步骤是：
对样本集中的样品进行处理，获取候选区域；
用CNN网络提取图像特征；
基于所述图像特征训练分类器。
其中，所述基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域的具体步骤是：
采用监控摄像头对检测区域获取实时图像；
每间隔设定时间抽取采样图像；
基于检测模型对预处理后的采样图像进行检测，若发现烟火，则对烟火区域进行框选，得到框选区域。
其中，所述每间隔设定时间抽取采样图像之后，所述基于检测模型对预处理后的采样图像进行检测，若发现烟火，则对烟火区域进行框选，得到框选区域之前，所述步骤还包括：对采样图像进行预处理。
其中，所述预处理包括去雾、画面增强和色值过滤。
本发明的一种烟火智能识别方法，包括获取检测区域图像和烟火图像；将正常图像和烟火图像合成，生成训练样本集；基于目标检测网络对样本集进行训练，得到检测模型；基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域；采用热成像仪对准框选区域获取红外图像；对红外图像进行处理，获取预测温度；当预测温度高于标准值时，判断为着火。即可通过将烟火图像和检测区域图像组合方便地得到样本，然后通过目标检测网络形成检测模型应用于目标区域的检测，当确认有着火点时，还可以通过热成像仪进行照射，以提供温度参考综合进行判断，从而可以提高判断的准确度，解决现有方法准确度较低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种烟火智能识别方法的结构图；
图2是本发明的获取检测区域图像和烟火图像的流程图；
图3是本发明的基于目标检测网络对样本集进行训练，得到检测模型的流程图；
图4是本发明的基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域的流程图；
图5是本发明的采用热成像仪对准框选区域获取红外图像的流程图；
图6是本发明的着火时通过网络发出警告的流程图。
具体实施方式
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，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1～图6，本发明提供一种烟火智能识别方法，包括：
S101获取检测区域图像和烟火图像；
具体步骤是：
S201采用监控摄像头对检测区域进行拍照，得到检测区域图像；
在监控区域设置有多个监控摄像头，可以对检测区域进行拍照，获得检测区域的正常图像。
S202对烟火进行拍照并去掉背景，得到烟火图像。
在实验地点，通过点燃各种可燃物形成着火图样，并进行拍照，去掉火焰背景后方便与监测区域图像进行后续操作。
S102将正常图像和烟火图像合成，生成训练样本集；
采用StarGAN将正常图像和烟火图像进行合成以生成训练样本集。StarGAN为生成对抗网络，该网络只使用一个生成器和一个鉴别器来学习多个域之间的映射，并从各个域的图像中有效地进行训练。为了保证生成器G能够有效在多个域之间转换，目标域的标签随机给定。网络的结构仿照Cycle-GAN的设置，使用两层步长为2的卷积层进行下采样(降维)，6个残差块连接，然后使用两层步长为2的卷积层进行上采样。生成器使用了实例归一化，但是判别器没有用正则化。判别器网络文中使用的是patch-GAN。文中在每一层都使用了实例归一化，除了最后的输出层。分类器的激活函数使用了leakyrelu，负的一侧的斜率为0.01。
S103基于目标检测网络对样本集进行训练，得到检测模型；
具体步骤是：
S301对样本集中的样品进行处理，获取候选区域；
S302用CNN网络提取图像特征；
卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
S303基于所述图像特征训练分类器。
在训练样本上执行分类器算法，生成分类模型。在测试样本上执行分类模型，生成预测结果。根据预测结果，计算必要的评估指标，评估分类模型的性能。
S104基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域；
具体步骤是：
S401采用监控摄像头对检测区域获取实时图像；
通过多个监控摄像头对检测区域进行实时监控以获取实时图像。
S402每间隔设定时间抽取采样图像；
可以设定时间间隔为0.5～3S之间，对实时视频中的图像进行采样。
S403对采样图像进行预处理；
所述预处理包括去雾、画面增强和色值过滤。其中去雾是根据全局大气光与透射率关系进行优化，去雾后色彩还原度比较高，图片不会出现过于暗淡，速度快；画面增强：锐化图片，增加图片清晰度及对比度，提高烟火区域亮度；RGB色值过滤：烟雾基本属于白色或者类白色状态，通过RGB值的三通道差值判断选出类似烟火区域。
S404基于检测模型对预处理后的采样图像进行检测，若发现烟火，则对烟火区域进行框选，得到框选区域。
通过检测模型可以对采样图像中的特征进行检测，若发现烟火特征，则可以通过框选对烟火进行选中，若没有发现烟火则跳过继续对后续的图片进行采样检测。
S105采用热成像仪对准框选区域获取红外图像；
具体步骤是：
S501获取框选区域的中心坐标；
对框选区域的对角坐标进行计算从而可以得到框选区域的中心坐标。
S502移动热成像仪对准中心坐标；
热成像仪安装到云台上，可以通过云台控制热成像仪基于内部坐标系以及中心坐标进行旋转配对。
S503热成像仪进行拍照获取红外图像。
红外热像仪是一种利用红外热成像技术，通过对标的物的红外辐射探测，并加以信号处理、光电转换等手段，将标的物的温度分布的图像转换成可视图像的设备。红外热像仪将实际探测到的热量进行精确的量化，以面的形式实时成像标的物的整体，因此能够准确识别正在发热的疑似故障区域。操作人员通过屏幕上显示的图像色彩和热点追踪显示功能来初步判断发热情况和故障部位，同时严格分析，从而在确认问题上体现了高效率、高准确率。
S106对红外图像进行处理，获取预测温度；
通过对红外图像的处理后就可以得到预测温度。
S107当预测温度高于标准值时，判断为着火；
标准值即通过检测位置和检测目标之间的距离测算出来的判断阈值，如果检测时超过这个值就可以判断为着火，否则就继续检测。
S108着火时通过网络发出警告。
具体步骤是：
S601通过通信网络以着火点为中心搜索监测人员；
为了避免算法产生的误差，需要采用人力进一步确认以提高精准度。
S602对监测人员和灭火人员同时发出警告；
通过通信网络可以连接着火点附近的公安人员、交警、保安等负责公共安全的人员前往着火点进行确认，然后通知灭火人员进行准备。
S603监测人员确认后可通知灭火人员前往灭火。
当监测人员确认后即可反馈到灭火人员处，方便灭火人员前去进行灭火处理。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (8)
1.一种烟火智能识别方法，其特征在于，
包括：获取检测区域图像和烟火图像；
将正常图像和烟火图像合成，生成训练样本集；
基于目标检测网络对样本集进行训练，得到检测模型；
基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域；
采用热成像仪对准框选区域获取红外图像；
对红外图像进行处理，获取预测温度；
当预测温度高于标准值时，判断为着火。
2.如权利要求1所述的一种烟火智能识别方法，其特征在于，
所述当预测温度高于标准值时，判断为着火之后，所述方法还包括：着火时通过网络发出警告。
3.如权利要求1所述的一种烟火智能识别方法，其特征在于，
所述获取检测区域图像和烟火图像的具体步骤是：
采用监控摄像头对检测区域进行拍照，得到检测区域图像；
对烟火进行拍照并去掉背景，得到烟火图像。
4.如权利要求1所述的一种烟火智能识别方法，其特征在于，
所述将正常图像和烟火图像合成，生成训练样本集的方式是采用StarGAN将正常图像和烟火图像进行合成以生成训练样本集。
5.如权利要求1所述的一种烟火智能识别方法，其特征在于，
所述基于目标检测网络对样本集进行训练，得到检测模型的具体步骤是：
对样本集中的样品进行处理，获取候选区域；
用CNN网络提取图像特征；
基于所述图像特征训练分类器。
6.如权利要求1所述的一种烟火智能识别方法，其特征在于，
所述基于检测模型对目标区域进行检测，对烟火区域进行框选，得到框选区域的具体步骤是：
采用监控摄像头对检测区域获取实时图像；
每间隔设定时间抽取采样图像；
基于检测模型对预处理后的采样图像进行检测，若发现烟火，则对烟火区域进行框选，得到框选区域。
7.如权利要求6所述的一种烟火智能识别方法，其特征在于，
所述每间隔设定时间抽取采样图像之后，所述基于检测模型对预处理后的采样图像进行检测，若发现烟火，则对烟火区域进行框选，得到框选区域之前，所述步骤还包括：对采样图像进行预处理。
8.如权利要求7所述的一种烟火智能识别方法，其特征在于，
所述预处理包括去雾、画面增强和色值过滤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564989.9A CN113361345A (zh) | 2021-05-24 | 2021-05-24 | 一种烟火智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110564989.9A CN113361345A (zh) | 2021-05-24 | 2021-05-24 | 一种烟火智能识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361345A true CN113361345A (zh) | 2021-09-07 |
Family
ID=77527396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110564989.9A Pending CN113361345A (zh) | 2021-05-24 | 2021-05-24 | 一种烟火智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361345A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504464A (zh) * | 2016-11-04 | 2017-03-15 | 哈尔滨理工大学 | 基于红外热成像的森林防火监测系统及信息融合方法 |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
| CN111814635A (zh) * | 2020-06-30 | 2020-10-23 | 神思电子技术股份有限公司 | 基于深度学习的烟火识别模型建立方法和烟火识别方法 |
| CN112270207A (zh) * | 2020-09-27 | 2021-01-26 | 青岛邃智信息科技有限公司 | 一种社区监控场景下烟火检测方法 |
-
2021
- 2021-05-24 CN CN202110564989.9A patent/CN113361345A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504464A (zh) * | 2016-11-04 | 2017-03-15 | 哈尔滨理工大学 | 基于红外热成像的森林防火监测系统及信息融合方法 |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
| CN111814635A (zh) * | 2020-06-30 | 2020-10-23 | 神思电子技术股份有限公司 | 基于深度学习的烟火识别模型建立方法和烟火识别方法 |
| CN112270207A (zh) * | 2020-09-27 | 2021-01-26 | 青岛邃智信息科技有限公司 | 一种社区监控场景下烟火检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨植凯;卜乐平;王腾;欧阳继能;: "基于循环一致性对抗网络的室内火焰图像场景迁移", 光学精密工程, no. 03, pages 745 - 758 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104966372B (zh) | 多数据融合的森林火灾智能识别系统和方法 | |
| CN105512667B (zh) | 红外和可见光视频图像融合识别火灾的方法 | |
| CN111739250B (zh) | 结合图像处理技术与红外传感器的火灾探测方法及系统 | |
| CN112068111A (zh) | 一种基于多传感器信息融合的无人机目标侦测方法 | |
| CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
| CN109218667B (zh) | 一种公共场所安全预警系统和方法 | |
| CN113516076A (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
| CN112257554B (zh) | 基于多光谱的森林火灾识别方法、系统、程序及存储介质 | |
| CN108513110A (zh) | 人脸识别监控摄像头 | |
| CN111612815A (zh) | 一种红外热成像行为意图分析方法及系统 | |
| CN115035470A (zh) | 一种基于混合视觉的低小慢目标识别与定位方法及系统 | |
| CN116434533A (zh) | 一种基于5g的ai智慧公路隧道综合监测平台 | |
| CN109274945A (zh) | 一种自适应进行图像真彩色还原的方法及系统 | |
| CN114037910A (zh) | 一种无人机森林火灾检测系统 | |
| Jaradat et al. | A victims detection approach for burning building sites using convolutional neural networks | |
| CN111539264A (zh) | 一种船舶火焰探测定位系统与探测定位方法 | |
| CN111898427A (zh) | 一种基于特征融合深度神经网络的多光谱行人检测方法 | |
| CN109243135A (zh) | 一种智能火灾检测与定位方法、装置及系统 | |
| KR102265291B1 (ko) | 실시간 화재 감지 시스템 및 화재 감지 방법 | |
| CN112446304A (zh) | 一种火焰检测方法及其系统 | |
| CN112613483A (zh) | 一种基于语义分割和识别的户外火灾预警方法 | |
| CN113361345A (zh) | 一种烟火智能识别方法 | |
| CN115457331A (zh) | 一种施工场所的智能巡检方法及系统 | |
| CN112699745A (zh) | 一种用于火灾现场的被困人员定位方法 | |
| CN112347942A (zh) | 一种火焰识别的方法及装置 |
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 |