CN113553985A - 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 - Google Patents
一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 Download PDFInfo
- Publication number
- CN113553985A CN113553985A CN202110878813.0A CN202110878813A CN113553985A CN 113553985 A CN113553985 A CN 113553985A CN 202110878813 A CN202110878813 A CN 202110878813A CN 113553985 A CN113553985 A CN 113553985A
- Authority
- CN
- China
- Prior art keywords
- smoke
- sample
- detection
- image
- samples
- 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
Images
Classifications
-
- 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
Abstract
本发明提供一种基于人工智能高空烟雾检测识别方法，包括以下三个步骤:S1样本收集，S2烟雾检测训练，S3烟雾识别训练。本发明的有益效果是，采用本发明提供的技术方案可以实现实现烟雾自动监控监管，减少安全隐患。
Description
技术领域
本发明涉及人工智能图像识别领域，具体涉及高空烟雾检测识别方法。
背景技术
森林火灾,烟雾引起空气污染，危害人类健康,火势威胁人民生命财产安全。森林火灾燃烧会产生大量的烟雾，其主要成分为二氧化碳和水蒸汽，还会产生一氧化碳、碳氢化合物、碳化物、氮氧化物及微粒物质，危害人类身体健康及野生动物的生存。火灾发生以后，烧毁森林、甚至城镇，居住在林区的群众生命财产安全就会受到很大的威胁、损害，严重干扰人们正常的生产、生活秩序，社会就不会稳定。
焚烧秸秆,污染空气环境，危害人体健康，易引发火灾。焚烧秸秆时，大气中二氧化硫、二氧化氮、可吸入颗粒物三项污染指数增加。秸秆焚烧，极易引燃周围的易燃物，尤其是在山林附近，一旦引发大火，后果将不堪设想。
焚烧秸秆形成的烟雾，造成空气能见度下降，可见范围降低，容易引发交通事故。焚烧秸秆使地面温度急剧升高，能直接烧死、烫死土壤中的有益微生物，影响作物对土壤养分的充分吸收，直接影响农田作物的产量和质量，影响农业收益。
火灾发现的越早越有利于治理火灾,火灾燃烧时产生烟雾,检测烟雾也就是在早期发现火源，但是现有技术不能实现烟雾自动监控监管存在巨大安全隐患。
附图说明
图1为本发明的一种基于人工智能高空烟雾检测识别方法的整体步骤图。
图2为本发明的一种基于人工智能高空烟雾识别方法ResNeSt50 Block模块实现。
图3为本发明的一种基于人工智能高空烟雾识别方法ResNeSt50 Block模块中Cardinal实现。
发明内容
为了解决现有技术不能实现烟雾自动监控监管的技术问题，本发明提供一种基于人工智能高空烟雾检测识别方法，包括以下步骤。
S1:收集困难样本，高空烟雾检测图像大小为1920*1080分辨率,图像格式为jpg；
S2:烟雾检测模型选择PP-YOLOv2,建立基础烟雾检测模型，对一段时间内收集的烟雾图像检测,按照置信度将图像检测数据分成2份,置信度大于等于0.2并且置信度小于0.5的数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0的数据命名0.5A样本数据集；0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本,以上样本数据集标注完成后用PP-YOLOv2模型训练,每间隔一段时间监控数据达到预设数量后，重复以上过程,持续优化烟雾检测模型检测性能；
S3:在烟雾检测模型检测到烟雾图像后采用ResNeSt50模型进一步提高烟雾识别能力，将检测模型得到的图像做烟雾判断,过滤非烟雾图像，ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本，在裁剪S2中的图像时采用组合裁剪方式,所述组合裁剪方式包含4种裁剪方式,第1种直接用检测模型检测结果，第2种在检测结果上,随机调整横坐标值,纵坐标固定，第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整，烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像，推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾类型,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
进一步的，所述所述困难样本包括第一困难样本和第二困难样本，所述第一困难样本包括，阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟样本，所述第二困难样本包括检测模型推理中假阳性样本数据。
进一步的，所述步骤S2中以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,选择224作为输入图像尺寸大小。
本发明还提供一种存储装置，其中存储有多条指令，所述指令适于由处理器加载并执行：以下步骤：
S1:收集困难样本，高空烟雾检测图像大小为1920*1080分辨率,图像格式为jpg；
S2:烟雾检测模型选择PP-YOLOv2,建立基础烟雾检测模型，对一段时间内收集的烟雾图像检测,按照置信度将图像检测数据分成2份,置信度大于等于0.2并且置信度小于0.5的数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0的数据命名0.5A样本数据集；0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本,以上样本数据集标注完成后用PP-YOLOv2模型训练,每间隔一段时间监控数据达到预设数量后，重复以上过程,持续优化烟雾检测模型检测性能；
S3:在烟雾检测模型检测到烟雾图像后采用ResNeSt50模型进一步提高烟雾识别能力，将检测模型得到的图像做烟雾判断,过滤非烟雾图像，ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本，在裁剪S2中的图像时采用组合裁剪方式,所述组合裁剪方式包含4种裁剪方式,第1种直接用检测模型检测结果，第2种在检测结果上,随机调整横坐标值,纵坐标固定，第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整，烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像，推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾类型,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
进一步的，所述所述困难样本包括第一困难样本和第二困难样本，所述第一困难样本包括，阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟样本，所述第二困难样本包括检测模型推理中假阳性样本数据。
进一步的，所述步骤S2中以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,选择224作为输入图像尺寸大小。
本发明还提供一种服务器，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
S1:收集困难样本，高空烟雾检测图像大小为1920*1080分辨率,图像格式为jpg；
S2:烟雾检测模型选择PP-YOLOv2,建立基础烟雾检测模型，对一段时间内收集的烟雾图像检测,按照置信度将图像检测数据分成2份,置信度大于等于0.2并且置信度小于0.5的数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0的数据命名0.5A样本数据集；0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本,以上样本数据集标注完成后用PP-YOLOv2模型训练,每间隔一段时间监控数据达到预设数量后，重复以上过程,持续优化烟雾检测模型检测性能；
S3:在烟雾检测模型检测到烟雾图像后采用ResNeSt50模型进一步提高烟雾识别能力，将检测模型得到的图像做烟雾判断,过滤非烟雾图像，ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本，在裁剪S2中的图像时采用组合裁剪方式,所述组合裁剪方式包含4种裁剪方式,第1种直接用检测模型检测结果，第2种在检测结果上,随机调整横坐标值,纵坐标固定，第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整，烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像，推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾类型,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
进一步的，所述所述困难样本包括第一困难样本和第二困难样本，所述第一困难样本包括，阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟样本，所述第二困难样本包括检测模型推理中假阳性样本数据。
进一步的，所述步骤S2中以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,选择224作为输入图像尺寸大小。
本发明的有益效果是，采用本发明提供的技术方案可以实现实现烟雾自动监控监管，减少安全隐患。
具体实施方式
为了更清楚地说明本发明实施例现有技术中的技术方案，下面将对附图说明本发明的具体实施过程。
参考图1，本发明提供的基于人工智能高空烟雾检测识别方法，包括以下三个步骤:
S1:困难样本收集,一共有2类,一类是自然场景:阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟等图像都影响到烟雾检测与识别,另一类是检测模型推理中假阳性样本数据,假阴性样本数据。渐收集这些困难样本,以此让模型正负样本得到更新不断调整权重,以达到长时间优化烟雾检测模型与识别模型目的。
困难样本包括识别中容易被误认为烟雾的自然场景，针对困难样本进行训练，可以降低上述自然场景被误认为烟雾的概率。
持续建立存储收集烟雾图像,烟雾检测识别是一个相对长期的过程,需不断扩充图像优化模型,使得模型具有好的泛化性能。高空检测烟雾图像大小为1920*1080分辨率,图像格式为jpg,图像存储越大在模型训练时候计算量越大。
S2:烟雾检测模型选择PP-YOLOv2,首先要有一个基础版烟雾检测模型,如果没有则用已有数据训练一个；有了基础烟雾检测模型后,就可以对一段时间内收集的烟雾图像检测,通过置信度对这些数据分成2份,置信度大于等于0.2并且置信度小于0.5这一份数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0这一份数据命名0.5A样本数据集；0.2A样本数据集负样本居多,0.5A样本数据集困难样本居多,0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本。以上样本数据集标注完成后用PP-YOLOv2模型训练。每间隔一段时间监控数据达到一定数量后就可以重复以上过程,持续优化烟雾检测模型检测性能。
混淆矩阵判断样本
其中TP(真阳性)表示被预测判定为正样本，实际也是正样本的测试样本；FN(假阴性)表示被判定为负样本，实际是正样本的测试样本；FP(假阳性)表示被预测判定为正样本，实际是负样本的测试样本数；TN(真阴性)表示被预测判定为负样本，实际是负样本的测试样本。
YOLO最初是由约瑟夫·雷德蒙(Joseph Redmon)创作的，用于检测物体。物体检测是一种计算机视觉技术，它通过在对象周围绘制边框并标识给定框也属于的类标签来对对象进行定位和标记。与大型NLP不同，YOLO设计得很小，可以为设备上的部署提供实时推理速度。PP是PaddlePaddle(由百度编写的深度学习框架)的缩写,PP-YOLOv2是百度提供的一种深度学习模型。
在实际应用场景中，有效性与高效性对于目标检测器非常重要。PP-YOLOv2通过在PP-YOLOv1改进措施同时保持高效推理耗时,对现有改进措施进行了分析并通过增强消融研究评估了其对最终模型的影响，通过组合多种有效改进，将PP-YOLO在COCO2017 test-dev数据上的性能从45.9％mAP提升到了49.5％mAP，并将所得到的模型称之为PP-YOLOv2。
S3:在烟雾检测模型检测烟雾图像后增加ResNeSt50模型进一步提高烟雾识别能力。这是将检测模型得到的图像做烟雾判断,以此过滤非烟雾图像,提高检测模型准确率。ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本。在裁剪S2中的图像时使用一种组合的裁剪方式,包含4种裁剪方式,第1种直接用检测模型检测结果；第2种在检测结果上,随机调整横坐标值,纵坐标固定；第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整。一张烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像。这样添加噪声的目的在于改变原有数据分布,同一角度下得到不同形状的图像,增加同一图像的多尺度,增加样本多样性,让其更好地适应真实场景的烟雾,扩大网络拟合数据真实分布的能力，尽可能减小经验风险，增加泛化性能。
公式中x1,y1,x2,y2表示检测模型得到的坐标值,w表示图像宽度,即|x2-x1|,h表示图像高度,即|y2-y1|,r表示随机产生一个[-0.1,0.5]区间内的任意数,pw表示随机加一个缩放图像宽度w,ph表示随机加一个缩放图像高度h。r取最小值-0.1,是出于对烟雾区域减小过大导致不能判别为烟雾考虑,r取最大值-0.5已经够用,取更大区域无意义。
ResNeSt50模型识别烟雾包含以下过程:
设置合理图像尺寸大小,以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,分析烟雾图像尺寸大小的分布范围,最终选择224作为输入图像尺寸大小。
ResNeSt提出于2020年,ResNeSt主干的模型能够在几个任务上达到最先进的性能，即：图像分类、目标检测、实例分割和语义分割。所提出的ResNeSt优于所有现有的ResNet变体，并且具有相同的计算效率，甚至比通过神经架构搜索生成的最新的CNN模型具有更好的速度精度折衷。在图像分类上中ImageNet数据集上超越了其前辈ResNet、ResNeXt、SENet以及EfficientNet。使用ResNeSt-50为基本骨架的Faster-RCNN比使用ResNet-50的mAP要高出3.08％。使用ResNeSt-50为基本骨架的DeeplabV3比使用ResNet-50的mIOU要高出3.02％。涨点效果非常明显。
ConvBN模块为Conv+BatchNorm+Relu。
r-softmax激活函数当R>1时,使用softma函数计算,当R＝1时,使用以下函数计算。
X表示输入,ex表示以e为底的指数函数,R表示拆分份数,j表示第几份j∈[0,R]。
SplatConv模块:
1.先分组卷积计算,卷积核大小为3*3,分组个数为2；
2.之后以模块宽度拆分多份后叠加计算；
3.在之后自适应平均池化计算,输出大小为1*1；
4.接着ConvBN模块计算,卷积核大小为1*1；
5.再接着Conv计算,卷积核大小为1*1；
6.然后r-softmax激活函数计算；
7.在然后以模块宽度拆分多份后与步骤2一一对应点乘计算；
8.最后将拆分的多份相加到一块；
Block_A模块为ConvBN+SplatConv+AvgPool+ConvBN+AvgPool+Conv+BN。其中第一个ConvBN模块卷积核大小为1*1,第二个ConvBN模块卷积核大小也为1*1,第一个AvgPool窗口大小为3*3,第二个AvgPool窗口大小为2*2,Conv卷积核大小为1*1。
Block_B模块为ConvBN+SplatConv+ConvBN。其中第一个ConvBN模块卷积核大小为1*1,第二个ConvBN模块卷积核大小也为1*1。
ResNeSt50模型整个结构构成有如下组成:3*ConvBN模块+Block_A模块+2*Block_B模块+Block_A模块+3*Block_B模块+Block_A模块+5*Block_B模块+Block_A模块+2*Block_B模块+AvgPool+全连接层fc。其中3*ConvBN模块卷积核大小为3*3,是用3个3*3卷积替换了原ResNet50中1个7*7卷积,以此来达到减少模型参数量的目的。
S2步骤中主要是检测烟雾,S3是对S2识别的补充，一个模型检测位置,一个识别烟雾，实现了更加精准的烟雾识别。
推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能高空烟雾检测识别方法，其特征在于，包括以下步骤：
S1:收集困难样本；
S2:烟雾检测模型选择PP-YOLOv2,建立基础烟雾检测模型，对一段时间内收集的烟雾图像检测,按照置信度将图像检测数据分成2份,置信度大于等于0.2并且置信度小于0.5的数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0的数据命名0.5A样本数据集；0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本,以上样本数据集标注完成后用PP-YOLOv2模型训练,每间隔一段时间监控数据达到预设数量后，重复以上过程,持续优化烟雾检测模型检测性能；
S3:在烟雾检测模型检测到烟雾图像后采用ResNeSt50模型进一步提高烟雾识别能力，将检测模型得到的图像做烟雾判断,过滤非烟雾图像，ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本，在裁剪S2中的图像时采用组合裁剪方式,所述组合裁剪方式包含4种裁剪方式,第1种直接用检测模型检测结果，第2种在检测结果上,随机调整横坐标值,纵坐标固定，第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整，烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像，推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾类型,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
2.如权利要求1所述的一种基于人工智能高空烟雾检测识别方法，其特征在于，所述所述困难样本包括第一困难样本和第二困难样本，所述第一困难样本包括，阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟样本，所述第二困难样本包括检测模型推理中假阳性样本数据。
3.如权利要求1所述的一种基于人工智能高空烟雾检测识别方法，其特征在于，所述步骤S2中以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,选择224作为输入图像尺寸大小。
4.一种存储装置,其中存储有多条指令，所述指令适于由处理器加载并执行以下步骤：
S1:收集困难样本；
S2:烟雾检测模型选择PP-YOLOv2,建立基础烟雾检测模型，对一段时间内收集的烟雾图像检测,按照置信度将图像检测数据分成2份,置信度大于等于0.2并且置信度小于0.5的数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0的数据命名0.5A样本数据集；0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本,以上样本数据集标注完成后用PP-YOLOv2模型训练,每间隔一段时间监控数据达到预设数量后，重复以上过程,持续优化烟雾检测模型检测性能；
S3:在烟雾检测模型检测到烟雾图像后采用ResNeSt50模型进一步提高烟雾识别能力，将检测模型得到的图像做烟雾判断,过滤非烟雾图像，ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本，在裁剪S2中的图像时采用组合裁剪方式,所述组合裁剪方式包含4种裁剪方式,第1种直接用检测模型检测结果，第2种在检测结果上,随机调整横坐标值,纵坐标固定，第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整，烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像，推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾类型,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
5.如权利要求4所述的一种存储装置，其特征在于，所述所述困难样本包括第一困难样本和第二困难样本，所述第一困难样本包括，阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟样本，所述第二困难样本包括检测模型推理中假阳性样本数据。
6.如权利要求4所述的一种存储装置，其特征在于，所述步骤S2中以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,选择224作为输入图像尺寸大小。
7.一种服务器，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行以下步骤：
S1:收集困难样本；
S2:烟雾检测模型选择PP-YOLOv2,建立基础烟雾检测模型，对一段时间内收集的烟雾图像检测,按照置信度将图像检测数据分成2份,置信度大于等于0.2并且置信度小于0.5的数据命名0.2A样本数据集,置信度大于等于0.5并且置信度小于等于1.0的数据命名0.5A样本数据集；0.2A样本数据集中正样本判定为正样本,负样本判定为负样本,0.5A样本数据集中正样本判定为正样本,负样本判定为困难样本,以上样本数据集标注完成后用PP-YOLOv2模型训练,每间隔一段时间监控数据达到预设数量后，重复以上过程,持续优化烟雾检测模型检测性能；
S3:在烟雾检测模型检测到烟雾图像后采用ResNeSt50模型进一步提高烟雾识别能力，将检测模型得到的图像做烟雾判断,过滤非烟雾图像，ResNeSt50模型需要的数据集来自S2中正样本/负样本/困难样本,S2中的正样本作为S3中的正样本,S2中的负样本/困难样本作为S3中的负样本，在裁剪S2中的图像时采用组合裁剪方式,所述组合裁剪方式包含4种裁剪方式,第1种直接用检测模型检测结果，第2种在检测结果上,随机调整横坐标值,纵坐标固定，第3种在检测结果上,横坐标固定,随机调整纵坐标值；第4种在检测结果上,横纵坐标值都随机调整，烟雾图像经过检测模型后得到检测位置,在裁剪时将检测位置随机选择组合裁剪方式中一种变换,用变换后的检测位置得到新的图像，推理阶段输入一张图像到检测模型中检测烟雾位置,然后将检测到的烟雾图像裁剪放到ResNeSt50模型判断是否是烟雾类型,如果置信度大于0.5则判定该检测位置为烟雾,如果置信度小于等于0.5则判定该检测位置为背景。
8.如权利要求7所述的一种服务器，其特征在于，所述所述困难样本包括第一困难样本和第二困难样本，所述第一困难样本包括，阴天场景/雨天场景/夜晚场景/白云场景/水蒸汽/扬尘/太阳反光/青烟样本，所述第二困难样本包括检测模型推理中假阳性样本数据。
9.如权利要求7所述的一种服务器，其特征在于，所述步骤S2中以烟雾图像宽度作为横坐标,烟雾图像长度作为纵标注得到散点图,选择224作为输入图像尺寸大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878813.0A CN113553985A (zh) | 2021-08-02 | 2021-08-02 | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878813.0A CN113553985A (zh) | 2021-08-02 | 2021-08-02 | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113553985A true CN113553985A (zh) | 2021-10-26 |
Family
ID=78105097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110878813.0A Pending CN113553985A (zh) | 2021-08-02 | 2021-08-02 | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553985A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223105A (zh) * | 2022-09-20 | 2022-10-21 | 万链指数(青岛)信息科技有限公司 | 基于大数据的风险信息监控分析方法及系统 |
| CN117058253A (zh) * | 2023-10-12 | 2023-11-14 | 南京邮电大学 | 一种基于ptz摄像机的高精度告警定位方法 |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092878A (zh) * | 2017-04-13 | 2017-08-25 | 中国地质大学（武汉） | 一种基于混合分类器的可自主学习多目标检测方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
| CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
| CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
| CN109766805A (zh) * | 2018-12-28 | 2019-05-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
| CN109858488A (zh) * | 2018-12-28 | 2019-06-07 | 众安信息技术服务有限公司 | 一种基于样本增强的手写样本识别方法与系统 |
| CN110196945A (zh) * | 2019-05-27 | 2019-09-03 | 北京理工大学 | 一种基于LSTM与LeNet融合的微博用户年龄预测方法 |
| CN110335330A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 图像模拟生成方法及其系统、深度学习算法训练方法及电子设备 |
| CN110796048A (zh) * | 2019-10-18 | 2020-02-14 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
| US20200118365A1 (en) * | 2017-09-29 | 2020-04-16 | Alibaba Group Holding Limited | Method and apparatus for improving vehicle loss assessment image identification result, and server |
| CN111062385A (zh) * | 2019-11-18 | 2020-04-24 | 上海眼控科技股份有限公司 | 一种用于图像文本信息检测的网络模型构建方法与系统 |
| CN111126293A (zh) * | 2019-12-25 | 2020-05-08 | 国网智能科技股份有限公司 | 一种火焰和烟雾异常情况检测方法及系统 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
| CN111626112A (zh) * | 2020-04-20 | 2020-09-04 | 南京邮电大学 | 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及系统 |
| CN111783802A (zh) * | 2020-07-21 | 2020-10-16 | 南昌航空大学 | 一种基于深度学习的金属断口图像识别的方法 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN111914939A (zh) * | 2020-08-06 | 2020-11-10 | 平安科技（深圳）有限公司 | 识别模糊图像的方法、装置、设备及计算机可读存储介质 |
| CN111931931A (zh) * | 2020-09-29 | 2020-11-13 | 杭州迪英加科技有限公司 | 一种针对病理全场图像的深度神经网络训练方法、装置 |
| CN112052797A (zh) * | 2020-09-07 | 2020-12-08 | 合肥科大立安安全技术有限责任公司 | 基于MaskRCNN的视频火灾识别方法及系统 |
| CN112149698A (zh) * | 2019-06-28 | 2020-12-29 | 初速度（苏州）科技有限公司 | 一种困难样本数据的筛选方法及装置 |
| CN112348003A (zh) * | 2021-01-11 | 2021-02-09 | 航天神舟智慧系统技术有限公司 | 基于深度卷积神经网络的飞机加油场景识别方法及系统 |
| CN112381810A (zh) * | 2020-11-20 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种肺炎图像识别方法、装置及计算设备 |
| CN112634151A (zh) * | 2020-12-14 | 2021-04-09 | 深圳中兴网信科技有限公司 | 基于泊松融合的烟雾数据增强方法、增强设备和存储介质 |
| CN112906481A (zh) * | 2021-01-23 | 2021-06-04 | 招商新智科技有限公司 | 一种基于无人机实现森林火情检测的方法 |
| CN112950583A (zh) * | 2021-03-01 | 2021-06-11 | 北京小白世纪网络科技有限公司 | 病理图像中细胞计数模型训练方法及装置 |
-
2021
- 2021-08-02 CN CN202110878813.0A patent/CN113553985A/zh active Pending
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092878A (zh) * | 2017-04-13 | 2017-08-25 | 中国地质大学（武汉） | 一种基于混合分类器的可自主学习多目标检测方法 |
| US20200118365A1 (en) * | 2017-09-29 | 2020-04-16 | Alibaba Group Holding Limited | Method and apparatus for improving vehicle loss assessment image identification result, and server |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
| CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
| CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
| CN109858488A (zh) * | 2018-12-28 | 2019-06-07 | 众安信息技术服务有限公司 | 一种基于样本增强的手写样本识别方法与系统 |
| CN109766805A (zh) * | 2018-12-28 | 2019-05-17 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
| CN110196945A (zh) * | 2019-05-27 | 2019-09-03 | 北京理工大学 | 一种基于LSTM与LeNet融合的微博用户年龄预测方法 |
| CN112149698A (zh) * | 2019-06-28 | 2020-12-29 | 初速度（苏州）科技有限公司 | 一种困难样本数据的筛选方法及装置 |
| CN110335330A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 图像模拟生成方法及其系统、深度学习算法训练方法及电子设备 |
| CN110796048A (zh) * | 2019-10-18 | 2020-02-14 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
| CN111062385A (zh) * | 2019-11-18 | 2020-04-24 | 上海眼控科技股份有限公司 | 一种用于图像文本信息检测的网络模型构建方法与系统 |
| CN111126293A (zh) * | 2019-12-25 | 2020-05-08 | 国网智能科技股份有限公司 | 一种火焰和烟雾异常情况检测方法及系统 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
| CN111626112A (zh) * | 2020-04-20 | 2020-09-04 | 南京邮电大学 | 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及系统 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN111783802A (zh) * | 2020-07-21 | 2020-10-16 | 南昌航空大学 | 一种基于深度学习的金属断口图像识别的方法 |
| CN111914939A (zh) * | 2020-08-06 | 2020-11-10 | 平安科技（深圳）有限公司 | 识别模糊图像的方法、装置、设备及计算机可读存储介质 |
| CN112052797A (zh) * | 2020-09-07 | 2020-12-08 | 合肥科大立安安全技术有限责任公司 | 基于MaskRCNN的视频火灾识别方法及系统 |
| CN111931931A (zh) * | 2020-09-29 | 2020-11-13 | 杭州迪英加科技有限公司 | 一种针对病理全场图像的深度神经网络训练方法、装置 |
| CN112381810A (zh) * | 2020-11-20 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种肺炎图像识别方法、装置及计算设备 |
| CN112634151A (zh) * | 2020-12-14 | 2021-04-09 | 深圳中兴网信科技有限公司 | 基于泊松融合的烟雾数据增强方法、增强设备和存储介质 |
| CN112348003A (zh) * | 2021-01-11 | 2021-02-09 | 航天神舟智慧系统技术有限公司 | 基于深度卷积神经网络的飞机加油场景识别方法及系统 |
| CN112906481A (zh) * | 2021-01-23 | 2021-06-04 | 招商新智科技有限公司 | 一种基于无人机实现森林火情检测的方法 |
| CN112950583A (zh) * | 2021-03-01 | 2021-06-11 | 北京小白世纪网络科技有限公司 | 病理图像中细胞计数模型训练方法及装置 |
Non-Patent Citations (11)
| Title |
|---|
| HANG ZHANG ET AL: "ResNeSt: Split-Attention Networks", 《ARXIV:2004.08955V2》 * |
| HANG ZHANG ET AL: "ResNeSt:Split-Attention Networks", 《ARXIV:2004.08955V2》 * |
| SHUQING WANG ET AL: "Detection of Insulator Defects With Improved ResNeSt and Region Proposal Network", 《 IEEE ACCESS》 * |
| XIN HUANG ET AL: "PP-YOLOv2: A Practical Object Detector", 《ARXIV:2104.10419V1》 * |
| 乔霓丹著: "《深度学习与医学大数据》", 30 November 2019 * |
| 施彦等: "《神经网络设计方法与实例分析》", 31 December 2009 * |
| 林天威: "基于时序卷积网络的视频动作检测算法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 老光头_ME2CS: "ResNeSt模型分析和代码详解 (拆组和通道注意力ResNet)", 《HTTPS://BLOG.CSDN.NET/FORREST97/ARTICLE/DETAILS/109009203》 * |
| 许骞艺等: "基于改进的 ResNeSt驾驶员头部状态分类算法", 《吉林大学学报（工学版）》 * |
| 许骞艺等: "基于改进的ResNeSt驾驶员头部状态分类算法", 《吉林大学学报（工学版）》 * |
| 马原东等: "改进SSD算法的多目标检测", 《计算机工程与应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223105A (zh) * | 2022-09-20 | 2022-10-21 | 万链指数(青岛)信息科技有限公司 | 基于大数据的风险信息监控分析方法及系统 |
| CN115223105B (zh) * | 2022-09-20 | 2022-12-09 | 万链指数(青岛)信息科技有限公司 | 基于大数据的风险信息监控分析方法及系统 |
| CN117058253A (zh) * | 2023-10-12 | 2023-11-14 | 南京邮电大学 | 一种基于ptz摄像机的高精度告警定位方法 |
| CN117058253B (zh) * | 2023-10-12 | 2024-01-23 | 南京邮电大学 | 一种基于ptz摄像机的高精度告警定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609470B (zh) | 野外火灾早期烟雾视频检测的方法 | |
| CN111462451B (zh) | 基于视频信息的秸秆焚烧检测报警系统 | |
| CN103440484B (zh) | 一种适应室外大空间的火焰检测方法 | |
| CN113553985A (zh) | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 | |
| CN110969205A (zh) | 一种基于目标检测的森林烟火检测方法、存储介质和设备 | |
| CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
| CN103338336B (zh) | 一种架空输电线路通道烟火预警的视频检测方法 | |
| AU2021106836A4 (en) | Identification of forest fire susceptibility using gis and neural network approaches | |
| CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
| CN109871613A (zh) | 一种森林火灾判别模型获取方法及预测应用 | |
| CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
| CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
| CN112699801A (zh) | 基于视频图像的火灾识别方法及系统 | |
| CN111539325A (zh) | 基于深度学习的森林火灾探测方法 | |
| CN116189372A (zh) | 一种应用大数据技术的森林防火多层预警监测系统及方法 | |
| CN116189371A (zh) | 一种基于物联网的森林防火消防设施联动管理系统及方法 | |
| CN108363992A (zh) | 一种基于机器学习监测视频图像烟雾的火情预警方法 | |
| Luo | Research on fire detection based on YOLOv5 | |
| Mohnish et al. | Deep learning based forest fire detection and alert system | |
| Jaradat et al. | A victims detection approach for burning building sites using convolutional neural networks | |
| Bhowmik et al. | A multi-modal wildfire prediction and early-warning system based on a novel machine learning framework | |
| Saravanan et al. | IoT alert reflexion of forbidden deforestation regions with drone observation | |
| CN113221943A (zh) | 一种柴油车黑烟图像识别方法、系统及存储介质 | |
| Burnaford et al. | Celestial mechanics affects emersion time and cover patterns of an ecosystem engineer, the intertidal kelp Saccharina sessilis | |
| TWM624416U (zh) | 結合人工智慧之海廢偵測系統 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |