CN113435373B - 一种矿井火灾视频图像智能识别装置及方法 - Google Patents
一种矿井火灾视频图像智能识别装置及方法 Download PDFInfo
- Publication number
- CN113435373B CN113435373B CN202110755982.5A CN202110755982A CN113435373B CN 113435373 B CN113435373 B CN 113435373B CN 202110755982 A CN202110755982 A CN 202110755982A CN 113435373 B CN113435373 B CN 113435373B
- Authority
- CN
- China
- Prior art keywords
- fire
- image
- channel
- monitoring computer
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 146
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 239000003245 coal Substances 0.000 claims description 10
- 238000002834 transmittance Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding 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
- G06F18/23—Clustering techniques
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种矿井火灾视频图像智能识别装置及方法，该装置包括多个火灾视频采集模块和与多个火灾视频采集模块连接的监控计算机，火灾视频采集模块均包括摄像头，摄像头通过通信模块和监控计算机连接；该方法包括以下步骤：一、火灾视频采集模块的安装及视频图像的采集；二、火灾图像的提取；三、构造火灾图像样本集；四、基于YOLOV5深度网络模型的火灾图像训练；五、后续采集的火灾图像的去雾处理；六、后续采集的火灾图像的前景提取；七、矿井火灾视频图像实时检测识别及报警。本发能够实现对矿井火灾的实时监测，能够对检测到的火焰图像进行快速识别，及时发现火灾隐患，确保矿井的安全生产及工作人员的生命安全。
Description
技术领域
本发明属于矿井火灾监测技术领域，尤其是涉及一种矿井火灾视频图像智能识别装置及方法。
背景技术
矿井的安全系数对矿井工作人员是至关重要的，而煤矿火灾往往是造成矿井灾难的重要原因之一。在煤矿生产过程中，许多不可控因素的产生都会造成火灾的形成，对矿井操作人员的生命安全及行业的经济指标都构成了潜在的威胁。火灾形成初期，如果不进行控制就会带来巨大的损失甚至会引起瓦斯及煤粉爆炸等更严重的事故。
由于矿井环境复杂，可燃性气体及易燃物质多，即使是微型火焰也会在短时间内受到助燃，而且矿井空间小光照不足等因素对火灾的检测也带来极大的影响，因此对火焰初期进行识别及预警是火灾防治措施，能够在很大程度上降低火灾的扩大化。
当前矿井火灾检测领域所使用的检测设备大多是对火灾产生过程中产生的气体进行分析，但是这种设备的普适性较低，对于通风性较好的区域难以检测，此外这种设备的响应慢且实时性差，难以达到矿井火灾检测的精度要求。
因此，现如今缺少一种矿井火灾视频图像无线智能识别装置及方法。能够实现对矿井火灾的实时监测，能够对检测到的火焰图像进行快速识别，及时发现火灾隐患，确保矿井的安全生产及工作人员的生命安全。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种矿井火灾视频图像智能识别装置，其设计合理，能够实现对矿井火灾的实时监测，能够对检测到的火焰图像进行快速识别，及时发现火灾隐患，确保矿井的安全生产及工作人员的生命安全。
为解决上述技术问题，本发明采用的技术方案是：一种矿井火灾视频图像智能识别装置，其特征在于：包括多个安装在矿井巷道内的火灾视频采集模块和设置在煤矿井上监控室内且与多个所述火灾视频采集模块连接的监控计算机，多个所述火灾视频采集模块均通过通信模块和监控计算机连接，多个所述火灾视频采集模块的结构相同，所述火灾视频采集模块均包括摄像头，所述摄像头通过通信模块和监控计算机连接。
上述的一种矿井火灾视频图像智能识别装置，其特征在于：所述通信模块包括依次连接的本安交换机、本安光端机和环网交换机，所述摄像头通过双绞线与本安交换机的电口连接，所述本安交换机的光口通过光纤线缆与本安光端机的光口连接，所述本安光端机的光口通过光纤线缆与环网交换机的光口连接，所述环网交换机的电口通过双绞线与监控计算机连接。
上述的一种矿井火灾视频图像智能识别装置，其特征在于：所述摄像头为矿用本质安全型CCD摄像头；所述监控计算机连接有显示器和报警器。
同时，本发明还公开了一种方法步骤简单、设计合理且实现方便、检测准确性高、使用效果好的矿井火灾视频图像智能识别方法，其特征在于，该方法包括以下步骤：
步骤一、火灾视频采集模块的安装及视频图像的采集：
步骤101、沿矿井巷道安装多个火灾视频采集模块，在煤矿井上监控室内设置与多个所述火灾视频采集模块连接的监控计算机；其中，每组火灾视频采集模块均为设置在矿井巷道上的摄像头，所述通信模块包括本安交换机、本安光端机和环网交换机，所述本安交换机与多个摄像头连接；
步骤102、多个摄像头对矿井巷道内的火灾视频进行采集，并将采集到的火灾视频依次经过本安交换机、本安光端机和环网交换机传送至监控计算机；
步骤二、火灾图像的提取：
监控计算机从火灾视频中提取多帧火灾图像，且多帧火灾图像按照拍摄时间先后顺序进行排列；其中，每帧火灾图像为RGB图像，火灾图像的帧数为m，且m为10000～12000的正整数；
步骤三、构造火灾图像样本集：
步骤301、采用监控计算机将m帧火灾图像分别进行去雾处理和前景提取，得到m帧火灾前景图像；
步骤302、监控计算机利用Lableimg软件对m帧火灾前景图像均进行火焰区域矩形框标记，得到火灾图像样本集；其中，火灾图像样本集中每帧火灾前景图像中矩形框记作标记矩形框；
步骤四、基于YOLOV5深度网络模型的火灾图像训练：
将火灾图像样本集中的各个火灾图像分别输入YOLOV5深度网络模型进行训练，直至火灾图像样本集训练完毕，得到训练好的YOLOV5深度网络模型；其中，YOLOV5深度网络模型包括Backbone结构、Neck结构、Prediction结构；
步骤五、后续采集的火灾图像的去雾处理：
摄像头对矿井巷道内的火灾视频进行后续实时采集，并按照步骤一和步骤二所述的方法处理，之后，监控计算机按照时间先后顺序对后续采集的矿井巷道内多帧火灾图像分别进行去雾处理，且对后续各帧火灾图像的去雾处理均相同，则对任一帧火灾图像进行去雾处理时，包括以下步骤：
步骤501、监控计算机调取像素值提取模块对火灾图像中第c通道各个像素点的像素值进行处理，获取火灾图像中第c通道各个像素点的像素值；其中，火灾图像中第c通道像素点的总数记作nc，火灾图像中第c通道的第ic个像素点的像素值记作
ic和nc均为正整数，且1≤ic≤nc，c表示彩色图像的通道数，且c的取值为1、2、3，当c＝1表示火灾图像的R通道；当c＝2表示火灾图像的G通道；当c＝3表示火灾图像的B通道；
步骤502、监控计算机将第c通道nc个像素点的像素值记作集合Xc，且
步骤503、监控计算机利用K-means聚类算法对集合Xc进行聚类，并采用监控计算机对最终聚类好的每个类中的所有像素值进行平均值处理，得到第c通道kc个像素值平均值；其中，第c通道中第jc类中的所有像素值的平均值记作第c通道第jc个像素值平均值，jc和kc均为正整数，1≤jc≤kc；
步骤504、监控计算机对第c通道kc个像素值平均值进行平均值处理，得到第c通道的去雾调整系数Ac；
步骤505、监控计算机根据公式
得到去雾透射率t(x)；其中，ω表示去雾参数，x表示火灾图像中任一个像素，Ω(x)表示火灾图像中以像素x为中心的窗口区域，y表示火灾图像中Ω(x)区域中任一个像素，Ic(y)表示火灾图像中在Ω(x)区域中第c通道的任一个像素的像素值；
步骤506、监控计算机根据公式
得到去雾后第c通道任一个像素的像素值Jc(x)；其中，Ic(x)表示火灾图像中第c通道任一个像素的像素值，t0表示透射率的最小阈值；
步骤507、多次重复步骤506，得到去雾后第R通道任一个像素的像素值JR(x)、去雾后第G通道任一个像素的像素值JG(x)和去雾后第B通道任一个像素的像素值JB(x)；
步骤508、监控计算机根据去雾后第R通道任一个像素的像素值JR(x)、去雾后第G通道任一个像素的像素值JG(x)和去雾后第B通道任一个像素的像素值JB(x)，得到去雾后火灾图像；
步骤六：后续采集的火灾图像的前景提取：
步骤601、采用监控计算机利用五帧差法对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的一次火灾前景图像；其中，k为正整数，且k≥3；
步骤602、采用监控计算机利用混合高斯模型对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的二次火灾前景图像；
步骤603、采用监控计算机将一次火灾前景图像和二次火灾前景图像进行图像与运算，得到当前k时刻的火灾前景图像；
步骤七、矿井火灾视频图像实时检测识别及报警：
步骤701、监控计算机将当前k时刻的火灾前景图像，输入步骤四中已训练好的YOLOV5深度网络模型中，得到火灾前景图像的预测矩形框；
步骤702、当步骤701中火灾前景图像的预测矩形框的宽高均大于零时，说明矿井当前k时刻监测区域的火灾状态为有火焰状态；当步骤701中火灾前景图像的预测矩形框的宽高均为零时，说明矿井当前k时刻监测区域的火灾状态为无火焰状态；
步骤703、当矿井当前k时刻监测区域的火灾状态为有火焰状态，监控计算机控制显示器显示，且控制报警器同步报警；当矿井当前k时刻监测区域的火灾状态为无火焰状态时，从步骤五开始，对下一帧火灾图像进行识别。
上述的一种矿井火灾视频图像智能识别方法，其特征在于：步骤505中去雾参数ω＝0.95，Ω(x)的大小为11×11、13×13或者15×15；步骤506中透射率的最小阈值t0＝0.1；
步骤503中监控计算机利用K-means聚类算法对集合Xc进行聚类，并采用监控计算机对最终分配好的每个类中的所有像素值进行平均值处理，得到第c通道kc个像素值平均值，具体过程如下：
步骤5031、监控计算机将集合Xc随机初始化为Kc个类，且Kc个类的聚类中心分别为
1＜Kc≤nc；其中，
表示第c通道第1个类的聚类中心，
表示第c通道第2个类的聚类中心，
表示第c通道第Kc个类的聚类中心，Kc为正整数；
步骤5032、监控计算机计算火灾图像中每一个像素点到Kc个聚类中心的像素值差值，并将该像素归为与该像素的像素值差值最小值所对应的类中，得到第一次迭代类簇
其中，
表示第c通道第一次迭代第1个类簇，
表示第c通道第一次迭代第2个类簇，
表示第c通道第一次迭代第Kc,1个类簇；Kc,1为正整数；
步骤5033、监控计算机分别对第c通道第一次迭代类簇
每个类簇中所有像素值求取平均值，得到第c通道第一次迭代类簇的中心
其中，
表示第c通道第一次迭代第1个类簇的中心，
表示第c通道第一次迭代第2个类簇的中心，
表示第c通道第一次迭代第Kc,1个类簇的中心；
步骤5034、监控计算机按照步骤5032和步骤5033所述的方法，对第c通道第l-1次迭代类簇
进行第l次迭代聚类，得到第c通道第l次迭代类簇
和第c通道第l次迭代类簇的中心
其中，Kc,l-1和Kc,l均为正整数；
步骤5035、多次重复步骤5034迭代，得到第c通道第L次迭代类簇
和第c通道第L次迭代类簇的中心
其中，l和L均为正整数，且1＜l≤L；L表示聚类迭代总次数；其中，第L次迭代类簇和第L-1次迭代类簇相同；Kc,L为正整数；
步骤5036、监控计算机对第L次迭代类簇
中每个类簇中的所有像素值进行平均值处理，得到第c通道每个类的像素值平均值；
监控计算机将第L次迭代类簇的数量Kc,L记作最终聚类好的类数kc，根据第c通道每个类的像素值平均值，得到第c通道kc个像素值平均值。
上述的一种矿井火灾视频图像智能识别方法，其特征在于：步骤601中采用监控计算机利用五帧差法对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的一次火灾前景图像，具体过程如下：
步骤6011、采用监控计算机将相邻五帧去雾后火灾图像分别记作fk-2(u,v)，fk-1(u,v)，fk(u,v)，fk+1(u,v)，fk+2(u,v)；其中，fk(u,v)表示当前k时刻的去雾后火灾图像，fk-1(u,v)表示k-1时刻的去雾后火灾图像，fk-2(u,v)表示k-2时刻的去雾后火灾图像，fk+1(u,v)表示k+1时刻的去雾后火灾图像，fk+2(u,v)表示k+2时刻的去雾后火灾图像，(u,v)表示去雾后火灾图像中任一个像素的像素坐标；
步骤6012、采用监控计算机根据公式
得到第一个差分火灾图像G1(u,v)、第二个差分火灾图像G2(u,v)、第三个差分火灾图像G3(u,v)和第四个差分火灾图像G4(u,v)；
步骤6013、采用监控计算机根据H1(u,v)＝G1(u,v)∩G4(u,v)和H2(u,v)＝G2(u,v)∩G3(u,v)，得到第一个与运算后火灾图像H1(u,v)和第二个与运算后火灾图像H2(u,v)；其中，∩表示图像与运算；
步骤6014、采用监控计算机根据H(u,v)＝H1(u,v)∪H2(u,v)，得到一次火灾前景图像H(u,v)；其中，∪表示图像或运算。
上述的一种矿井火灾视频图像智能识别方法，其特征在于：步骤602中采用监控计算机利用混合高斯模型对当前k时刻的去雾后火灾图像进行前景提取，得到二次火灾前景图像，具体过程如下：
步骤6021、监控计算机采用混合高斯模型对多帧去雾后火灾图像进行背景建模，得到背景图像；
步骤6022、采用监控计算机将当前k时刻的去雾后火灾图像和和背景图像进行差分运算，得到当前k时刻的二次火灾前景图像。
本发明与现有技术相比具有以下优点：
1、本发明采用了模块化设计，通过火灾视频采集模块进行火灾图像采集，设计合理，实现方便。
2、本发明通过设置火灾视频采集模块，对矿井巷道内进行图像采集，实时性高，实现了对矿井火灾的实时监测。
3、本发明通过通信模块和监控室内的监控计算机数据通信，可以适用于巷道、以及其他输送机胶带巷、变电所、水泵房、电气焊作业场所、井底车场、钻场、爆破场所、采煤工作面等不同的场合，数据传输快，响应速度快。
4、本发明通过K-means聚类算法对暗通道去雾模型进行改进，减少矿井下光照不足等因素造成的影响，从而提高火灾图像的识别效率，提高火灾图像的细节信息并且去除干扰。
5、本发明利用五帧差法进行前景提取和利用混合高斯模型进行前景提取，以使利用五帧差法得到的一次火灾前景图像和利用混合高斯模型得到的二次火灾前景图像融合处理，具有更好的前景区域识别效果，降低矿井环境的影响，更有利于后期的火灾识别。
6、本发明通过YoLo-v5深度神经网络模型对火灾图像进行训练，得到训练好的YoLo-v5深度神经网络模型，从而便于后续采集的火灾图像输入已训练好的YoLo-v5深度神经网络模型而得到监测区域的火灾状态，进行报警提醒，实时性好、精度高，对矿井的火灾识别具有一定的价值。
综上所述，本发明设计合理，能够实现对矿井火灾的实时监测，能够对检测到的火焰图像进行快速识别，及时发现火灾隐患，确保矿井的安全生产及工作人员的生命安全。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明矿井火灾视频图像智能识别装置的电路原理框图。
图2为本发明矿井火灾视频图像智能识别方法的流程框图。
附图标记说明:
1—摄像头； 2—本安交换机； 3—本安光端机；
4—环网交换机； 5—计算机； 6—显示器；
7—报警器。
具体实施方式
如图1所示的一种矿井火灾视频图像智能识别装置，包括多个安装在矿井巷道内的火灾视频采集模块和设置在煤矿井上监控室内且与多个所述火灾视频采集模块连接的监控计算机5，多个所述火灾视频采集模块均通过通信模块和监控计算机5连接，多个所述火灾视频采集模块的结构相同，所述火灾视频采集模块均包括摄像头1，所述摄像头1通过通信模块和监控计算机5连接。
本实施例中，所述通信模块包括依次连接的本安交换机2、本安光端机3和环网交换机4，所述摄像头1通过双绞线与本安交换机2的电口连接，所述本安交换机2的光口通过光纤线缆与本安光端机3的光口连接，所述本安光端机3的光口通过光纤线缆与环网交换机4的光口连接，所述环网交换机4的电口通过双绞线与监控计算机5连接。
本实施例中，所述摄像头1为矿用本质安全型CCD摄像头；所述监控计算机5连接有显示器6和报警器7。
如图2所示的一种矿井火灾视频图像智能识别方法，包括
步骤一、火灾视频采集模块的安装及视频图像的采集：
步骤101、沿矿井巷道安装多个火灾视频采集模块，在煤矿井上监控室内设置与多个所述火灾视频采集模块连接的监控计算机5；其中，每组火灾视频采集模块均为设置在矿井巷道上的摄像头1，所述通信模块包括本安交换机2、本安光端机3和环网交换机4，所述本安交换机2与多个摄像头1连接；
步骤102、多个摄像头1对矿井巷道内的火灾视频进行采集，并将采集到的火灾视频依次经过本安交换机2、本安光端机3和环网交换机4传送至监控计算机5；
步骤二、火灾图像的提取：
监控计算机3从火灾视频中提取多帧火灾图像，且多帧火灾图像按照拍摄时间先后顺序进行排列；其中，每帧火灾图像为RGB图像，火灾图像的帧数为m，且m为10000～12000的正整数；
步骤三、构造火灾图像样本集：
步骤301、采用监控计算机3将m帧火灾图像分别进行去雾处理和前景提取，得到m帧火灾前景图像；
步骤302、监控计算机3利用Lableimg软件对m帧火灾前景图像均进行火焰区域矩形框标记，得到火灾图像样本集；其中，火灾图像样本集中每帧火灾前景图像中矩形框记作标记矩形框；
步骤四、基于YOLOV5深度网络模型的火灾图像训练：
将火灾图像样本集中的各个火灾图像分别输入YOLOV5深度网络模型进行训练，直至火灾图像样本集训练完毕，得到训练好的YOLOV5深度网络模型；其中，YOLOV5深度网络模型包括Backbone结构、Neck结构、Prediction结构；
步骤五、后续采集的火灾图像的去雾处理：
摄像头1对矿井巷道内的火灾视频进行后续实时采集，并按照步骤一和步骤二所述的方法处理，之后，监控计算机3按照时间先后顺序对后续采集的矿井巷道内多帧火灾图像分别进行去雾处理，且对后续各帧火灾图像的去雾处理均相同，则对任一帧火灾图像进行去雾处理时，包括以下步骤：
步骤501、监控计算机3调取像素值提取模块对火灾图像中第c通道各个像素点的像素值进行处理，获取火灾图像中第c通道各个像素点的像素值；其中，火灾图像中第c通道像素点的总数记作nc，火灾图像中第c通道的第ic个像素点的像素值记作
ic和nc均为正整数，且1≤ic≤nc，c表示彩色图像的通道数，且c的取值为1、2、3，当c＝1表示火灾图像的R通道；当c＝2表示火灾图像的G通道；当c＝3表示火灾图像的B通道；
步骤502、监控计算机3将第c通道nc个像素点的像素值记作集合Xc，且
步骤503、监控计算机3利用K-means聚类算法对集合Xc进行聚类，并采用监控计算机3对最终聚类好的每个类中的所有像素值进行平均值处理，得到第c通道kc个像素值平均值；其中，第c通道中第jc类中的所有像素值的平均值记作第c通道第jc个像素值平均值，jc和kc均为正整数，1≤jc≤kc；
步骤504、监控计算机3对第c通道kc个像素值平均值进行平均值处理，得到第c通道的去雾调整系数Ac；
步骤505、监控计算机3根据公式
得到去雾透射率t(x)；其中，ω表示去雾参数，x表示火灾图像中任一个像素，Ω(x)表示火灾图像中以像素x为中心的窗口区域，y表示火灾图像中Ω(x)区域中任一个像素，Ic(y)表示火灾图像中在Ω(x)区域中第c通道的任一个像素的像素值；
步骤506、监控计算机3根据公式
得到去雾后第c通道任一个像素的像素值Jc(x)；其中，Ic(x)表示火灾图像中第c通道任一个像素的像素值，t0表示透射率的最小阈值；
步骤507、多次重复步骤506，得到去雾后第R通道任一个像素的像素值JR(x)、去雾后第G通道任一个像素的像素值JG(x)和去雾后第B通道任一个像素的像素值JB(x)；
步骤508、监控计算机3根据去雾后第R通道任一个像素的像素值JR(x)、去雾后第G通道任一个像素的像素值JG(x)和去雾后第B通道任一个像素的像素值JB(x)，得到去雾后火灾图像；
步骤六：后续采集的火灾图像的前景提取：
步骤601、采用监控计算机3利用五帧差法对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的一次火灾前景图像；其中，k为正整数，且k≥3；
步骤602、采用监控计算机3利用混合高斯模型对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的二次火灾前景图像；
步骤603、采用监控计算机3将一次火灾前景图像和二次火灾前景图像进行图像与运算，得到当前k时刻的火灾前景图像；
步骤七、矿井火灾视频图像实时检测识别及报警：
步骤701、监控计算机3将当前k时刻的火灾前景图像，输入步骤四中已训练好的YOLOV5深度网络模型中，得到火灾前景图像的预测矩形框；
步骤702、当步骤701中火灾前景图像的预测矩形框的宽高均大于零时，说明矿井当前k时刻监测区域的火灾状态为有火焰状态；当步骤701中火灾前景图像的预测矩形框的宽高均为零时，说明矿井当前k时刻监测区域的火灾状态为无火焰状态；
步骤703、当矿井当前k时刻监测区域的火灾状态为有火焰状态，监控计算机3控制显示器6显示，且控制报警器7同步报警；当矿井当前k时刻监测区域的火灾状态为无火焰状态时，从步骤五开始，对下一帧火灾图像进行识别。
本实施例中，步骤505中去雾参数ω＝0.95，Ω(x)的大小为11×11、13×13或者15×15；步骤506中透射率的最小阈值t0＝0.1；
步骤503中监控计算机3利用K-means聚类算法对集合Xc进行聚类，并采用监控计算机3对最终分配好的每个类中的所有像素值进行平均值处理，得到第c通道kc个像素值平均值，具体过程如下：
步骤5031、监控计算机3将集合Xc随机初始化为Kc个类，且Kc个类的聚类中心分别为
1＜Kc≤nc；其中，
表示第c通道第1个类的聚类中心，
表示第c通道第2个类的聚类中心，
表示第c通道第Kc个类的聚类中心，Kc为正整数；
步骤5032、监控计算机3计算火灾图像中每一个像素点到Kc个聚类中心的像素值差值，并将该像素归为与该像素的像素值差值最小值所对应的类中，得到第一次迭代类簇
其中，
表示第c通道第一次迭代第1个类簇，
表示第c通道第一次迭代第2个类簇，
表示第c通道第一次迭代第Kc,1个类簇；Kc,1为正整数；
步骤5033、监控计算机3分别对第c通道第一次迭代类簇
每个类簇中所有像素值求取平均值，得到第c通道第一次迭代类簇的中心
其中，
表示第c通道第一次迭代第1个类簇的中心，
表示第c通道第一次迭代第2个类簇的中心，
表示第c通道第一次迭代第Kc,1个类簇的中心；
步骤5034、监控计算机3按照步骤5032和步骤5033所述的方法，对第c通道第l-1次迭代类簇
进行第l次迭代聚类，得到第c通道第l次迭代类簇
和第c通道第l次迭代类簇的中心
其中，Kc,l-1和Kc,l均为正整数；
步骤5035、多次重复步骤5034迭代，得到第c通道第L次迭代类簇
和第c通道第L次迭代类簇的中心
其中，l和L均为正整数，且1＜l≤L；L表示聚类迭代总次数；其中，第L次迭代类簇和第L-1次迭代类簇相同；Kc,L为正整数；
步骤5036、监控计算机3对第L次迭代类簇
中每个类簇中的所有像素值进行平均值处理，得到第c通道每个类的像素值平均值；
监控计算机3将第L次迭代类簇的数量Kc,L记作最终聚类好的类数kc，根据第c通道每个类的像素值平均值，得到第c通道kc个像素值平均值。
本实施例中，步骤601中采用监控计算机3利用五帧差法对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的一次火灾前景图像，具体过程如下：
步骤6011、采用监控计算机3将相邻五帧去雾后火灾图像分别记作fk-2(u,v)，fk-1(u,v)，fk(u,v)，fk+1(u,v)，fk+2(u,v)；其中，fk(u,v)表示当前k时刻的去雾后火灾图像，fk-1(u,v)表示k-1时刻的去雾后火灾图像，fk-2(u,v)表示k-2时刻的去雾后火灾图像，fk+1(u,v)表示k+1时刻的去雾后火灾图像，fk+2(u,v)表示k+2时刻的去雾后火灾图像，(u,v)表示去雾后火灾图像中任一个像素的像素坐标；
步骤6012、采用监控计算机3根据公式
得到第一个差分火灾图像G1(u,v)、第二个差分火灾图像G2(u,v)、第三个差分火灾图像G3(u,v)和第四个差分火灾图像G4(u,v)；
步骤6013、采用监控计算机3根据H1(u,v)＝G1(u,v)∩G4(u,v)和H2(u,v)＝G2(u,v)∩G3(u,v)，得到第一个与运算后火灾图像H1(u,v)和第二个与运算后火灾图像H2(u,v)；其中，∩表示图像与运算；
步骤6014、采用监控计算机3根据H(u,v)＝H1(u,v)∪H2(u,v)，得到一次火灾前景图像H(u,v)；其中，∪表示图像或运算。
本实施例中，步骤602中采用监控计算机3利用混合高斯模型对当前k时刻的去雾后火灾图像进行前景提取，得到二次火灾前景图像，具体过程如下：
步骤6021、监控计算机3采用混合高斯模型对多帧去雾后火灾图像进行背景建模，得到背景图像；
步骤6022、采用监控计算机3将当前k时刻的去雾后火灾图像和和背景图像进行差分运算，得到当前k时刻的二次火灾前景图像。
本实施例中，步骤301中的去雾处理与步骤五中去雾处理的方法相同，步骤301中的前景提取和步骤六中前景提取方法相同。
本实施例中，实际使用时，火灾图像中第R通道像素点的总数n1、火灾图像中第G通道像素点的总数n2和火灾图像中第B通道像素点的总数n3均相同。
本实施例中，
表示火灾图像中第c通道的第1个像素点的像素值，
表示火灾图像中第c通道的第nc个像素点的像素值。
本实施例中，
表示第c通道第l-1次迭代第1个类簇，
表示第c通道第l-1次迭代第2个类簇，
表示第c通道第l-1次迭代第Kc,l-1个类簇；Kc,l-1为正整数；
表示第c通道第l次迭代第1个类簇，
表示第c通道第l次迭代第2个类簇，
表示第c通道第l次迭代第Kc,l个类簇；Kc,l为正整数；
表示第c通道第l次迭代第1个类簇的中心，
表示第c通道第l次迭代第2个类簇的中心，
表示第c通道第l次迭代第Kc,l个类簇的中心。
本实施例中，通过步骤三对火灾图像进行去雾处理，减少环境对火灾图像的影响。
本实施例中，YOLOV5深度网络模型的主干网络包括Backbone结构、Neck结构、Prediction结构，Backbone结构包括1个Focus模块，4个CBL模块，3个CSP模块以及1个SPP模块；Neck结构包括5个CSP模块，4个CBL模块，两个上采样模块以及4个全连接模块，Prediction结构输出预测矩形框。
本实施例中，训练好的YOLOV5深度网络模型，以使火灾图像样本集中预测框矩框和标记框矩形之间的损失函数GIOU_loss逐渐减少。
本实施例中，实际使用时，采用深度可分离卷积网络将CSP模块的CBM结构进行替换，使得YOLOV5深度网络模型具有更少的参数和更小的计算量，让算法的检测速度更快。CSP模块包括2个CBL模块，1个Resunit模块，2个Conv模块，1个Concat模块，1个BN模块以及Leakyrelu函数；CBL模块包括Conv模块、BN模块、Leakyrelu函数；采用可分离卷积网络对CBL模块的卷积层Conv进行替换，减少算法模型的参数。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (6)
1.一种矿井火灾视频图像智能识别方法，该方法所采用的装置包括多个安装在矿井巷道内的火灾视频采集模块和设置在煤矿井上监控室内且与多个所述火灾视频采集模块连接的监控计算机(5)，多个所述火灾视频采集模块均通过通信模块和监控计算机(5)连接，多个所述火灾视频采集模块的结构相同，所述火灾视频采集模块均包括摄像头(1)，所述摄像头(1)通过通信模块和监控计算机(5)连接；其特征在于，该方法包括以下步骤：
步骤一、火灾视频采集模块的安装及视频图像的采集：
步骤101、沿矿井巷道安装多个火灾视频采集模块，在煤矿井上监控室内设置与多个所述火灾视频采集模块连接的监控计算机(5)；其中，每组火灾视频采集模块均为设置在矿井巷道上的摄像头(1)，所述通信模块包括本安交换机(2)、本安光端机(3)和环网交换机(4)，所述本安交换机(2)与多个摄像头(1)连接；
步骤102、多个摄像头(1)对矿井巷道内的火灾视频进行采集，并将采集到的火灾视频依次经过本安交换机(2)、本安光端机(3)和环网交换机(4)传送至监控计算机(5)；
步骤二、火灾图像的提取：
监控计算机(3)从火灾视频中提取多帧火灾图像，且多帧火灾图像按照拍摄时间先后顺序进行排列；其中，每帧火灾图像为RGB图像，火灾图像的帧数为m，且m为10000～12000的正整数；
步骤三、构造火灾图像样本集：
步骤301、采用监控计算机(3)将m帧火灾图像分别进行去雾处理和前景提取，得到m帧火灾前景图像；
步骤302、监控计算机(3)利用Lableimg软件对m帧火灾前景图像均进行火焰区域矩形框标记，得到火灾图像样本集；其中，火灾图像样本集中每帧火灾前景图像中矩形框记作标记矩形框；
步骤四、基于YOLOV5深度网络模型的火灾图像训练：
将火灾图像样本集中的各个火灾图像分别输入YOLOV5深度网络模型进行训练，直至火灾图像样本集训练完毕，得到训练好的YOLOV5深度网络模型；其中，YOLOV5深度网络模型包括Backbone结构、Neck结构、Prediction结构；
步骤五、后续采集的火灾图像的去雾处理：
摄像头(1)对矿井巷道内的火灾视频进行后续实时采集，并按照步骤一和步骤二所述的方法处理，之后，监控计算机(3)按照时间先后顺序对后续采集的矿井巷道内多帧火灾图像分别进行去雾处理，且对后续各帧火灾图像的去雾处理均相同，则对任一帧火灾图像进行去雾处理时，包括以下步骤：
步骤501、监控计算机(3)调取像素值提取模块对火灾图像中第c通道各个像素点的像素值进行处理，获取火灾图像中第c通道各个像素点的像素值；其中，火灾图像中第c通道像素点的总数记作nc，火灾图像中第c通道的第ic个像素点的像素值记作
ic和nc均为正整数，且1≤ic≤nc，c表示彩色图像的通道数，且c的取值为1、2、3，当c＝1表示火灾图像的R通道；当c＝2表示火灾图像的G通道；当c＝3表示火灾图像的B通道；
步骤502、监控计算机(3)将第c通道nc个像素点的像素值记作集合Xc，且
步骤503、监控计算机(3)利用K-means聚类算法对集合Xc进行聚类，并采用监控计算机(3)对最终聚类好的每个类中的所有像素值进行平均值处理，得到第c通道kc个像素值平均值；其中，第c通道中第jc类中的所有像素值的平均值记作第c通道第jc个像素值平均值，jc和kc均为正整数，1≤jc≤kc；
步骤504、监控计算机(3)对第c通道kc个像素值平均值进行平均值处理，得到第c通道的去雾调整系数Ac；
步骤505、监控计算机(3)根据公式
得到去雾透射率t(x)；其中，ω表示去雾参数，x表示火灾图像中任一个像素，Ω(x)表示火灾图像中以像素x为中心的窗口区域，y表示火灾图像中Ω(x)区域中任一个像素，Ic(y)表示火灾图像中在Ω(x)区域中第c通道的任一个像素的像素值；
步骤506、监控计算机(3)根据公式
得到去雾后第c通道任一个像素的像素值Jc(x)；其中，Ic(x)表示火灾图像中第c通道任一个像素的像素值，t0表示透射率的最小阈值；
步骤507、多次重复步骤506，得到去雾后第R通道任一个像素的像素值JR(x)、去雾后第G通道任一个像素的像素值JG(x)和去雾后第B通道任一个像素的像素值JB(x)；
步骤508、监控计算机(3)根据去雾后第R通道任一个像素的像素值JR(x)、去雾后第G通道任一个像素的像素值JG(x)和去雾后第B通道任一个像素的像素值JB(x)，得到去雾后火灾图像；
步骤六：后续采集的火灾图像的前景提取：
步骤601、采用监控计算机(3)利用五帧差法对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的一次火灾前景图像；其中，k为正整数，且k≥3；
步骤602、采用监控计算机(3)利用混合高斯模型对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的二次火灾前景图像；
步骤603、采用监控计算机(3)将一次火灾前景图像和二次火灾前景图像进行图像与运算，得到当前k时刻的火灾前景图像；
步骤七、矿井火灾视频图像实时检测识别及报警：
步骤701、监控计算机(3)将当前k时刻的火灾前景图像，输入步骤四中已训练好的YOLOV5深度网络模型中，得到火灾前景图像的预测矩形框；
步骤702、当步骤701中火灾前景图像的预测矩形框的宽高均大于零时，说明矿井当前k时刻监测区域的火灾状态为有火焰状态；当步骤701中火灾前景图像的预测矩形框的宽高均为零时，说明矿井当前k时刻监测区域的火灾状态为无火焰状态；
步骤703、当矿井当前k时刻监测区域的火灾状态为有火焰状态，监控计算机(3)控制显示器(6)显示，且控制报警器(7)同步报警；当矿井当前k时刻监测区域的火灾状态为无火焰状态时，从步骤五开始，对下一帧火灾图像进行识别。
2.按照权利要求1所述的一种矿井火灾视频图像智能识别方法，其特征在于：所述通信模块包括依次连接的本安交换机(2)、本安光端机(3)和环网交换机(4)，所述摄像头(1)通过双绞线与本安交换机(2)的电口连接，所述本安交换机(2)的光口通过光纤线缆与本安光端机(3)的光口连接，所述本安光端机(3)的光口通过光纤线缆与环网交换机(4)的光口连接，所述环网交换机(4)的电口通过双绞线与监控计算机(5)连接。
3.按照权利要求1所述的一种矿井火灾视频图像智能识别方法，其特征在于：所述摄像头(1)为矿用本质安全型CCD摄像头；所述监控计算机(5)连接有显示器(6)和报警器(7)。
4.按照权利要求1所述的一种矿井火灾视频图像智能识别方法，其特征在于：步骤505中去雾参数ω＝0.95，Ω(x)的大小为11×11、13×13或者15×15；步骤506中透射率的最小阈值t0＝0.1；
步骤503中监控计算机(3)利用K-means聚类算法对集合Xc进行聚类，并采用监控计算机(3)对最终分配好的每个类中的所有像素值进行平均值处理，得到第c通道kc个像素值平均值，具体过程如下：
步骤5031、监控计算机(3)将集合Xc随机初始化为Kc个类，且Kc个类的聚类中心分别为
1＜Kc≤nc；其中，
表示第c通道第1个类的聚类中心，
表示第c通道第2个类的聚类中心，
表示第c通道第Kc个类的聚类中心，Kc为正整数；
步骤5032、监控计算机(3)计算火灾图像中每一个像素点到Kc个聚类中心的像素值差值，并将该像素归为与该像素的像素值差值最小值所对应的类中，得到第一次迭代类簇
其中，
表示第c通道第一次迭代第1个类簇，
表示第c通道第一次迭代第2个类簇，
表示第c通道第一次迭代第Kc,1个类簇；Kc,1为正整数；
步骤5033、监控计算机(3)分别对第c通道第一次迭代类簇
每个类簇中所有像素值求取平均值，得到第c通道第一次迭代类簇的中心
其中，
表示第c通道第一次迭代第1个类簇的中心，
表示第c通道第一次迭代第2个类簇的中心，
表示第c通道第一次迭代第Kc,1个类簇的中心；
步骤5034、监控计算机(3)按照步骤5032和步骤5033所述的方法，对第c通道第l-1次迭代类簇
进行第l次迭代聚类，得到第c通道第l次迭代类簇
和第c通道第l次迭代类簇的中心
其中，Kc,l-1和Kc,l均为正整数；
步骤5035、多次重复步骤5034迭代，得到第c通道第L次迭代类簇
和第c通道第L次迭代类簇的中心
其中，l和L均为正整数，且1＜l≤L；L表示聚类迭代总次数；其中，第L次迭代类簇和第L-1次迭代类簇相同；Kc,L为正整数；
步骤5036、监控计算机(3)对第L次迭代类簇
中每个类簇中的所有像素值进行平均值处理，得到第c通道每个类的像素值平均值；
监控计算机(3)将第L次迭代类簇的数量Kc,L记作最终聚类好的类数kc，根据第c通道每个类的像素值平均值，得到第c通道kc个像素值平均值。
5.按照权利要求1所述的一种矿井火灾视频图像智能识别方法，其特征在于：步骤601中采用监控计算机(3)利用五帧差法对当前k时刻的去雾后火灾图像进行前景提取，得到当前k时刻的一次火灾前景图像，具体过程如下：
步骤6011、采用监控计算机(3)将相邻五帧去雾后火灾图像分别记作fk-2(u,v)，fk-1(u,v)，fk(u,v)，fk+1(u,v)，fk+2(u,v)；其中，fk(u,v)表示当前k时刻的去雾后火灾图像，fk-1(u,v)表示k-1时刻的去雾后火灾图像，fk-2(u,v)表示k-2时刻的去雾后火灾图像，fk+1(u,v)表示k+1时刻的去雾后火灾图像，fk+2(u,v)表示k+2时刻的去雾后火灾图像，(u,v)表示去雾后火灾图像中任一个像素的像素坐标；
步骤6012、采用监控计算机(3)根据公式
得到第一个差分火灾图像G1(u,v)、第二个差分火灾图像G2(u,v)、第三个差分火灾图像G3(u,v)和第四个差分火灾图像G4(u,v)；
步骤6013、采用监控计算机(3)根据H1(u,v)＝G1(u,v)∩G4(u,v)和H2(u,v)＝G2(u,v)∩G3(u,v)，得到第一个与运算后火灾图像H1(u,v)和第二个与运算后火灾图像H2(u,v)；其中，∩表示图像与运算；
步骤6014、采用监控计算机(3)根据H(u,v)＝H1(u,v)∪H2(u,v)，得到一次火灾前景图像H(u,v)；其中，∪表示图像或运算。
6.按照权利要求1所述的一种矿井火灾视频图像智能识别方法，其特征在于：步骤602中采用监控计算机(3)利用混合高斯模型对当前k时刻的去雾后火灾图像进行前景提取，得到二次火灾前景图像，具体过程如下：
步骤6021、监控计算机(3)采用混合高斯模型对多帧去雾后火灾图像进行背景建模，得到背景图像；
步骤6022、采用监控计算机(3)将当前k时刻的去雾后火灾图像和和背景图像进行差分运算，得到当前k时刻的二次火灾前景图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110755982.5A CN113435373B (zh) | 2021-07-05 | 2021-07-05 | 一种矿井火灾视频图像智能识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110755982.5A CN113435373B (zh) | 2021-07-05 | 2021-07-05 | 一种矿井火灾视频图像智能识别装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435373A CN113435373A (zh) | 2021-09-24 |
| CN113435373B true CN113435373B (zh) | 2022-12-13 |
Family
ID=77759049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110755982.5A Active CN113435373B (zh) | 2021-07-05 | 2021-07-05 | 一种矿井火灾视频图像智能识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435373B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837144B (zh) * | 2021-10-25 | 2022-09-13 | 广州微林软件有限公司 | 一种冰箱的智能化图像数据采集处理方法 |
| CN114037910A (zh) * | 2021-11-29 | 2022-02-11 | 东北林业大学 | 一种无人机森林火灾检测系统 |
| CN114140732A (zh) * | 2021-12-09 | 2022-03-04 | 安徽大学 | 面向小样本条件下的消防火源检测方法、装置及存储介质 |
| CN116828209B (zh) * | 2023-08-30 | 2023-10-31 | 华洋通信科技股份有限公司 | 一种矿下智能视频监控数据传输方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741565A (zh) * | 2019-01-28 | 2019-05-10 | 北京工业职业技术学院 | 煤矿火灾识别系统及方法 |
| CN111695514A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205017451U (zh) * | 2015-06-12 | 2016-02-03 | 深圳市佳信捷技术股份有限公司 | 基于远程视频的火焰检测系统 |
| CN104954744A (zh) * | 2015-06-12 | 2015-09-30 | 深圳市佳信捷技术股份有限公司 | 烟雾检测系统 |
| CN106934836B (zh) * | 2017-03-14 | 2020-12-01 | 潍坊学院 | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 |
| CN109377703A (zh) * | 2018-12-06 | 2019-02-22 | 河池学院 | 一种基于机器视觉的森林防火预警系统及其方法 |
| KR20210055935A (ko) * | 2019-11-08 | 2021-05-18 | 한국전자통신연구원 | 딥러닝 기반의 화재 감지를 위한 시퀀스 영상 이미지 전처리 시스템 및 방법 |
| CN113011319B (zh) * | 2021-03-16 | 2024-04-16 | 上海应用技术大学 | 多尺度火灾目标识别方法及系统 |
-
2021
- 2021-07-05 CN CN202110755982.5A patent/CN113435373B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741565A (zh) * | 2019-01-28 | 2019-05-10 | 北京工业职业技术学院 | 煤矿火灾识别系统及方法 |
| CN111695514A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435373A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435373B (zh) | 一种矿井火灾视频图像智能识别装置及方法 | |
| CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
| CN102208018A (zh) | 一种基于视频差异分析的输电线路火灾识别方法 | |
| CN112287816A (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 | |
| CN102673979B (zh) | 输送带跑偏判断方法及判断装置 | |
| CN108734055A (zh) | 一种异常人员检测方法、装置及系统 | |
| CN110675443A (zh) | 一种井下输煤图像的煤块面积检测方法 | |
| CN111753705B (zh) | 一种基于视频分析的智慧工地安全作业的检测方法 | |
| CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN112112629A (zh) | 一种钻井作业过程中的安全业务管理系统和方法 | |
| CN105806400A (zh) | 一种消防栓安全状态智能监测方法及系统 | |
| CN110414486A (zh) | 一种红外可见光成像识别一体化设备及工作方法 | |
| CN112308032A (zh) | 一种视频检测的井下风门智能协同联动控制方法 | |
| CN116475089A (zh) | 矿井带式输送机视频图像智能识别的联动控制装置及方法 | |
| CN115131937A (zh) | 一种基于传感器与深度学习的森林火情预警方法 | |
| CN102542673A (zh) | 基于计算机视觉的atm机预警方法及系统 | |
| CN107798805A (zh) | 一种基于信息技术的安全监控系统 | |
| CN107100658A (zh) | 基于图像的采煤工作面顶板报警系统 | |
| CN110241791A (zh) | 一种基于gis的智能水闸群远程监控系统 | |
| CN115171006B (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 | |
| CN107358191A (zh) | 视频报警检测方法和装置 | |
| CN111881863B (zh) | 一种区域群体异常行为检测方法 | |
| CN116342481A (zh) | 一种基于机器视觉的转炉烟道结渣监测系统及方法 | |
| WO2022037280A1 (zh) | 一种基于多通道cnn的变电现场作业违规行为检测方法 | |
| CN115205747A (zh) | 一种基于图像识别的道路自动化检测系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230314 Address after: 710000 Room 401, Building 4, West Life Science Park, Wangsi Street, Fengdong New Town, Xixian New District, Xi'an, Shaanxi Province Patentee after: Shaanxi Xike Shou'an Technology Co.,Ltd. Address before: 710054 No. 58, Yanta Road, Shaanxi, Xi'an Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY Patentee before: Shaanxi Xike Zhian Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |