CN113537213B - 一种基于可变卷积核的烟雾明火检测算法 - Google Patents
一种基于可变卷积核的烟雾明火检测算法 Download PDFInfo
- Publication number
- CN113537213B CN113537213B CN202110797428.3A CN202110797428A CN113537213B CN 113537213 B CN113537213 B CN 113537213B CN 202110797428 A CN202110797428 A CN 202110797428A CN 113537213 B CN113537213 B CN 113537213B
- Authority
- CN
- China
- Prior art keywords
- image
- smoke
- value
- pixel
- formula
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 14
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于可变卷积核的烟雾明火检测算法,包括以下步骤:步骤1:对采集的图像进行预处理和图片归一化处理,将图像通过图像灰度化和图像去噪,得到处理后的图像,并通过实施插值缩放将图像数据转化为与CNN兼容的形式;步骤2:通过提取烟雾颜色特征确定烟雾区域,并提取处理后图像内含有目标特征的区域;步骤3:将提取的目标特征区域图像数据进行扩大处理;步骤4:将处理后的图像数据通过CNN进行烟雾检测;本发明提高了算法的计算速度,避免了对烟雾目标检测时受到光照变化、视角变化以及自身的形变的影响,使卷积神经网络进行目标检测时,提高了检测效果。
Description
技术领域
本发明涉及计算机视觉技术领域,具体为一种基于可变卷积核的烟雾明火检测算法。
背景技术
随着大数据时代的到来和深度学习等技术的快速发展,人们可以在强大的计算机算力的支持下,利用复杂的神经网络模型挖掘和提取海量数据中的关键信息。尤其在大规模的火灾监控中,成千上万的传感器每天会产生大量的数据,数据可能会存在火灾类别标记缺失或者类别标记太过笼统的问题,即含有效火灾类别标签的数据在总数据中占比较小,从而对于卷积神经网络(CNN)这种有监督的深度学习算法而言,处理这类数据可能就无法取得较为理想的效果。
烟雾目标在不同视角下的透视变换存在一定的差异性,导致在深度学习算法中,采用固定尺寸(长宽比)的卷积核进行火焰检测会存在当目标尺寸变化时,会融入背景信息,导致检测不准的问题。
烟雾目标检测的难点在于光照变化、视角变化以及自身的形变,在用卷积神经网络进行目标检测时,导致检测效果不理想,因此传统的烟雾目标检测方法存在不准确的缺陷。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种基于可变卷积核的烟雾明火检测算法,以解决上述技术背景中烟雾目标检测在于光照变化、视角变化以及自身的形变,在用卷积神经网络进行目标检测时,导致检测效果不理想的缺点。
为实现上述目的,本发明提供如下技术方案:一种基于可变卷积核的烟雾明火检测算法,包括以下步骤:
步骤1:对采集的图像进行预处理和图片归一化处理,将图像通过图像灰度化和图像去噪,得到处理后的图像,并通过实施插值缩放将图像数据转化为与CNN兼容的形式;
步骤2:通过提取烟雾颜色特征确定烟雾区域,并提取处理后图像内含有目标特征的区域;
步骤3:将提取的目标特征区域图像数据进行扩大处理;
步骤4:将处理后的图像数据通过CNN进行烟雾检测;
所述步骤1中,对于一张彩色图像,将采集图像像素点的颜色由(R,G,B)表示,通过浮点方法将其转化为灰度图,如公式(1)所示:
Gray=R×0.3+G×0.59+B×0.11(1)
通过公式(1)的方法求得Gray值,并将图像中所有的像素点均统一替换成Gray,得到的灰度图;
所述步骤1中,通过均值滤波过滤图像中的噪音,保留原始图像信息;均值滤波及对于某一像素点用一片图像区域内的各个像素的均值代替,先定一个尺寸固定的核,内核中心对应图像像素点的值并通过将内核对应图像中所有像素点的均值替换,所示公式(2)表示均值滤波,公式(2)所示如下:
g(x,y)是使用均值滤波后的像素值,f(x,y)是其邻域像素点,m为该内核对应图像中包含当前像素点在内的像素的总个数;
所述步骤1中,图像数据还通过min-max归一化方法消除光照影响,其中归一化是逐像素点进行计算,如公式(3)所示:
式中:xx是原始像素强度值;xy是归一化后的值;xmax和xmin分别表示一张图片里的像素最大值和最小值。
优选的,所述步骤2中,通过使用RGB颜色模型来提取烟雾颜色特征,通过原始图像使用烟雾颜色模型分割出含有烟雾的图像区域,其中烟雾RGB像素应该满足公式(4),公式(4)如下:
式中:M(x,y)表示分割的颜色二值化;R是R通道坐标为(x,y)的值;对应的G为G通道坐标为(x,y)的值;B为B通道坐标为(x,y)的值。
与现有技术相比,本发明提供了一种基于可变卷积核的烟雾明火检测算法,具备以下有益效果:
本发明中,通过对图片进行图像灰度化便于消除因为物料震动、光影变化或者摄像设备自身原因而产生的一些噪声,恢复真实图像信息,再通过图像去噪,保留原始图像信息,再通过归一法任意缩放烟雾的大小,不会改变烟雾故意的特征,便于增强烟雾图像的故意特征,通过使用烟雾颜色特征模型提取含有烟雾的区域图像,提高了算法的计算速度,避免了对烟雾目标检测时受到光照变化、视角变化以及自身的形变的影响,使卷积神经网络进行目标检测时,提高了检测效果。
附图说明
附图用来提供对本实用新型的进一步理解,并且构成说明书的一部分,与本实用新型的实施例一起用于解释本实用新型,并不构成对本实用新型的限制,在附图中:
图1为本发明提出的基于可变卷积核的烟雾明火检测算法流程图结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施例和附图,进一步阐述本发明,但下述实施例仅为本发明的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例,都属于本发明的保护范围。
请参阅图1,一种基于可变卷积核的烟雾明火检测算法,包括以下步骤:
步骤1:对采集的图像进行预处理和图片归一化处理,将图像通过图像灰度化和图像去噪,得到处理后的图像,并通过实施插值缩放将图像数据转化为与CNN兼容的形式;对于一张彩色图像,将采集图像像素点的颜色由(R,G,B)表示,通过浮点方法将其转化为灰度图,如公式(1)所示:
Gray=R×0.3+G×0.59+B×0.11(1)
通过公式(1)的方法求得Gray值,并将图像中所有的像素点均统一替换成Gray,得到的灰度图;还可以通过移位方法公式(1.1)、平均值法公式(1.2)和仅取RGB其中一种颜色公式(1.3):
Gray=(R×28+G×151+B×77)>>8 (1.1)
Gray=(R+G+B)/3 (1.2)
Gray=RorGorB (1.3)
通过均值滤波过滤图像中的噪音,保留原始图像信息;均值滤波及对于某一像素点用一片图像区域内的各个像素的均值代替,先定一个尺寸固定的核,内核中心对应图像像素点的值并通过将内核对应图像中所有像素点的均值替换,所示公式(2)表示均值滤波,公式(2)所示如下:
g(x,y)是使用均值滤波后的像素值,f(x,y)是其邻域像素点,m为该内核对应图像中包含当前像素点在内的像素的总个数;
缩放通常有2种方式:①保持区域的宽高比,然后将像素填充到所需的大小;②不管区域的宽高比,扭曲所有的像素到所需大小;由于烟雾的形状不固定,颜色、纹理等特征在同一图像中相对均匀,且任意缩放不会改变烟雾的固有特征,所以,这里选择第2种简单的缩放形式;获得内部特征可以提高算法性能,所以,这里采用图像预处理的方法减少图像方差并增强图像固有特征;图像数据还通过min-max归一化方法消除光照影响,其中归一化是逐像素点进行计算,如公式(3)所示:
式中:xx是原始像素强度值;xy是归一化后的值;xmax和xmin分别表示一张图片里的像素最大值和最小值。
步骤2:通过提取烟雾颜色特征确定烟雾区域,并提取处理后图像内含有目标特征的区域;通过使用RGB颜色模型来提取烟雾颜色特征,通过原始图像使用烟雾颜色模型分割出含有烟雾的图像区域,其中烟雾RGB像素应该满足公式(4),公式(4)如下:
式中:M(x,y)表示分割的颜色二值化;R是R通道坐标为(x,y)的值;对应的G为G通道坐标为(x,y)的值;B为B通道坐标为(x,y)的值。
步骤3:将提取的目标特征区域图像数据进行扩大处理;烟雾产生的早期阶段或其他运动物体特别小的时候,提取的区域将很小;如果仍然直接将它输人神经网络进行训练,由于烟雾区域太小,很容易使训练效果不理想,再将神经网络进行测试很容易引起误报或者漏报的结果;当然大多数其他烟雾检测算法选择在区域较小时忽略,并等到烟雾扩散到足够大小时进行处理;考虑到早期发现火灾的重要性,以原始区域为中心,以固定长度R为半径进行扩大;因为烟雾是向四面八方扩散的,所以使用圆作为扩大图形。
步骤4:将处理后的图像数据通过CNN进行烟雾检测,CNNC采用经典AlexNet网络结构构建网格,本网格包含8个卷积层,4个池化层,2个全连接层和1个输出层,输入层:网络输入的数据是经过前面图像预处理后的图像,标准尺寸为128x128,对于彩色图像通常包含3个颜色通道,所以输人图像的总大小为128×128×3;(2)卷积层:卷积层是为了学习输人图像的特征表示,这个层由不同的卷积内核表示,并且不同的卷积内核计算不同的特征图,也就是说卷积内核的数量决定了特征图的数量,卷积核的尺寸也决定了输出特征图的尺寸;(3)池化层:由于内存的限制,对于分类层来说,卷积层提取的特征维度太高,此外高维度的特征增加了过拟合的风险,为了解决这个问题,引入了池化层;(4)全连接层:全连接层通常是包含连接在深度神经网络末端的一个或多个完全连接的层,提高了算法的计算速度,避免了对烟雾目标检测时受到光照变化、视角变化以及自身的形变的影响,使卷积神经网络进行目标检测时,提高了检测效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于可变卷积核的烟雾明火检测算法,其特征在于,包括以下步骤:
步骤1:对采集的图像进行预处理和图片归一化处理,将图像通过图像灰度化和图像去噪,得到处理后的图像,并通过实施插值缩放将图像数据转化为与CNN兼容的形式;
步骤2:通过提取烟雾颜色特征确定烟雾区域,并提取处理后图像内含有目标特征的区域;
步骤3:将提取的目标特征区域图像数据进行扩大处理;
步骤4:将处理后的图像数据通过CNN进行烟雾检测;
所述步骤1中,对于一张彩色图像,将采集图像像素点的颜色由(R,G,B)表示,通过浮点方法将其转化为灰度图,如公式(1)所示:
Gray=R×0.3+G×0.59+B×0.11 (1)
通过公式(1)的方法求得Gray值,并将图像中所有的像素点均统一替换成Gray,得到的灰度图;
所述步骤1中,通过均值滤波过滤图像中的噪音,保留原始图像信息;均值滤波及对于某一像素点用一片图像区域内的各个像素的均值代替,先定一个尺寸固定的核,内核中心对应图像像素点的值并通过将内核对应图像中所有像素点的均值替换,所示公式(2)表示均值滤波,公式(2)所示如下:
g(x,y)是使用均值滤波后的像素值,f(x,y)是其邻域像素点,m为该内核对应图像中包含当前像素点在内的像素的总个数;
所述步骤1中,图像数据还通过min-max归一化方法消除光照影响,其中归一化是逐像素点进行计算,如公式(3)所示:
式中:xx是原始像素强度值;xy是归一化后的值;xmax和xmin分别表示一张图片里的像素最大值和最小值;
所述步骤2中,通过使用RGB颜色模型来提取烟雾颜色特征,通过原始图像使用烟雾颜色模型分割出含有烟雾的图像区域,其中烟雾RGB像素应该满足公式(4),公式(4)如下:
式中:M(x,y)表示分割的颜色二值化;R是R通道坐标为(x,y)的值;对应的G为G通道坐标为(x,y)的值;B为B通道坐标为(x,y)的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797428.3A CN113537213B (zh) | 2021-07-14 | 2021-07-14 | 一种基于可变卷积核的烟雾明火检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797428.3A CN113537213B (zh) | 2021-07-14 | 2021-07-14 | 一种基于可变卷积核的烟雾明火检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537213A CN113537213A (zh) | 2021-10-22 |
CN113537213B true CN113537213B (zh) | 2024-01-30 |
Family
ID=78099252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797428.3A Active CN113537213B (zh) | 2021-07-14 | 2021-07-14 | 一种基于可变卷积核的烟雾明火检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537213B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559709A (zh) * | 2013-11-04 | 2014-02-05 | 北京航空航天大学 | 一种用于plif火焰前锋提取的条件型水平集方法 |
CN105741480A (zh) * | 2016-03-17 | 2016-07-06 | 福州大学 | 基于图像识别的火灾和烟雾检测方法 |
CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
CN112633061A (zh) * | 2020-11-18 | 2021-04-09 | 淮阴工学院 | 一种轻量级的fire-det火焰检测方法及系统 |
CN113537050A (zh) * | 2021-07-14 | 2021-10-22 | 安徽炬视科技有限公司 | 一种基于局部图像增强的动态人脸识别算法 |
AU2019440977A1 (en) * | 2019-04-17 | 2021-11-11 | Hendricks Corp Pte Ltd | Method and system for detecting fire and smoke |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI264684B (en) * | 2004-11-16 | 2006-10-21 | Univ Nat Kaohsiung Applied Sci | Fire detection method and system applying with image acquisition |
-
2021
- 2021-07-14 CN CN202110797428.3A patent/CN113537213B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559709A (zh) * | 2013-11-04 | 2014-02-05 | 北京航空航天大学 | 一种用于plif火焰前锋提取的条件型水平集方法 |
CN105741480A (zh) * | 2016-03-17 | 2016-07-06 | 福州大学 | 基于图像识别的火灾和烟雾检测方法 |
CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检系统及方法 |
AU2019440977A1 (en) * | 2019-04-17 | 2021-11-11 | Hendricks Corp Pte Ltd | Method and system for detecting fire and smoke |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
CN112633061A (zh) * | 2020-11-18 | 2021-04-09 | 淮阴工学院 | 一种轻量级的fire-det火焰检测方法及系统 |
CN113537050A (zh) * | 2021-07-14 | 2021-10-22 | 安徽炬视科技有限公司 | 一种基于局部图像增强的动态人脸识别算法 |
Non-Patent Citations (2)
Title |
---|
Early smoke detection in video using swaying and diffusion feature;Shidong Wang,等;《Journal of Intelligent&Fuzzy Systems》;第267–275页 * |
基于视频图像的公路隧道火灾烟雾检测;邓实强,等;《隧道建设》;第42卷(第2期);第291-302页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537213A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598610B (zh) | 一种基于神经选择注意的目标显著性检测方法 | |
CN108062525B (zh) | 一种基于手部区域预测的深度学习手部检测方法 | |
CN108491786B (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN111753828A (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN111626951B (zh) | 一种基于内容感知信息的图像阴影消除方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN112465752A (zh) | 一种基于改进的Faster R-CNN小目标检测方法 | |
CN112215861A (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN112950586A (zh) | 一种lf炉钢渣红外识别方法和系统 | |
CN114782417A (zh) | 基于边缘强化图像分割的风机数字孪生特征实时检测方法 | |
CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 | |
CN115393635A (zh) | 一种基于超像素分割以及数据增强的红外小目标检测方法 | |
CN111881915A (zh) | 一种基于多种先验信息约束的卫星视频目标智能检测方法 | |
CN114926826A (zh) | 场景文本检测系统 | |
CN113963272A (zh) | 一种基于改进yolov3的无人机图像目标检测方法 | |
CN113537213B (zh) | 一种基于可变卷积核的烟雾明火检测算法 | |
CN117456376A (zh) | 一种基于深度学习的遥感卫星影像目标检测方法 | |
CN113139431A (zh) | 基于深监督学习的图像显著性目标检测方法 | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム |
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 |