CN114120171A - 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 - Google Patents
基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114120171A CN114120171A CN202111266276.0A CN202111266276A CN114120171A CN 114120171 A CN114120171 A CN 114120171A CN 202111266276 A CN202111266276 A CN 202111266276A CN 114120171 A CN114120171 A CN 114120171A
- Authority
- CN
- China
- Prior art keywords
- fire smoke
- data set
- smoke
- image
- fire
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 247
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (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)
- Image Analysis (AREA)
Abstract
本发明提出一种基于视频帧的火灾烟雾检测方法、装置、设备及存储介质,通过构建和训练火灾烟雾检测网络和火灾烟雾误报分类网络,将视频拍摄装置实时拍摄的图像首先增加屏蔽区域,再通过火灾烟雾检测网络判断图像中是否有烟雾状结构的区域;若判断为是,则进一步判断该区域是否为运动物体;若判断为是,则将该区域图像输入火灾烟雾误报分类网络,判断是否为真实烟雾,若是真实烟雾则触发警报。本发明通过视频监控摄像头拍摄的画面,利用设置屏蔽、物体检测、运动检测、图像分类等技术,实时检测视频场景中是否有烟雾产生,并用矩形框标记烟雾在画面中的位置。通过本发明,能够避免烟雾相近的静止或运动物体产生误报,保证烟雾检测的准确性。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种基于视频帧的火灾烟雾检测方法、装置、计算机设备及存储介质。
背景技术
许多火灾在发生初期明火极小,很难识别发现火焰。明火通常会伴随烟雾产生,而烟雾相较于火焰的面积更大,特征更明显,大面积烟雾也容易覆盖火焰。因此,烟雾识别对于火灾识别任务是一项非常关键的技术。
目前建筑室内大多采用烟雾报警器,但是物理传感器不适用于室外环境和距离火源和烟源较远的场景。因此,基于视频监控的图像型烟雾检测技术是目前安全工程和火灾检测领域的重要研究方向。
目前基于视频监控的烟雾检测技术难点在于,室外场景中有很多物体在图像模式上与烟雾具有较强相似性,例如天空中的云、雾霾、工厂的蒸汽等。上述情况会对基于视频监控的烟雾检测带来严重干扰。
发明内容
本发明提供一种基于视频帧的火灾烟雾检测方法、装置、计算机设备及存储介质,旨在避免烟雾相近的静止或运动物体产生误报,保证烟雾检测的准确性。
为此,本发明的第一个目的在于提出一种基于视频帧的火灾烟雾检测方法,包括:
收集火灾烟雾图像,人工标注所述火灾烟雾图像中的火灾烟雾位置,作为正样本数据集;收集具有火灾烟雾形状的非火灾烟雾图像作为负样本数据集;
构建火灾烟雾检测网络,通过所述正样本数据集训练;训练完成将负样本数据集输入到火灾烟雾检测网络,自动标注负样本数据集的非火灾烟雾图像中具有火灾烟雾形状的位置;
裁剪正样本数据集每一火灾烟雾图像中火灾烟雾位置,作为正样本分类数据集;裁剪经火灾烟雾检测网络标注的负样本数据集非火灾烟雾图像中具有火灾烟雾形状的位置,作为负样本分类数据集;
构建火灾烟雾误报分类网络,通过所述正样本分类数据集和负样本分类数据集进行训练;
将实时监控视频帧输入火灾烟雾检测网络进行识别,通过火灾烟雾检测网络判断图像中是否有烟雾状结构的区域,并通过运动检测判断该区域是否为运动物体,再将该区域的图像输入火灾烟雾误报分类网络,输出火灾烟雾或误报的分类结果。
其中,在将实时监控视频帧输入火灾烟雾检测网络进行识别的步骤之前,还包括步骤:
判断视频拍摄装置是否拍摄固定画面;针对拍摄固定画面的视频拍摄装置,对拍摄画面增加屏蔽区域;
当接收拍摄画面增加屏蔽区域的视频拍摄装置发送的视频帧时,将屏蔽区域的图像像素点的像素值设置为RGB(0,0,0)。
其中,构建火灾烟雾检测网络的步骤中,所述火灾烟雾检测网络是通过训练第一卷积神经网络得到;通过正样本数据集训练所述第一卷积神经网络,通过调整网络函数和参数,至输出结果对正样本数据集中的火灾烟雾位置的标注结果与事先标注差异最小时,训练完成。
其中,构建火灾烟雾误报分类网络的步骤中,所述火灾烟雾误报分类网络的是通过第二训练卷积神经网络得到;通过正样本分类数据集和负样本分类数据集训练所述第二训练卷积神经网络,通过调整网络函数和参数,至输出结果判断输入图像所属为正样本分类数据集或负样本分类数据集的准确率最大时,训练完成。
其中,在对具有烟雾形状的视频帧进行标注的步骤之后,包括步骤:
提取所述当前实时监控视频帧前面连续指定数量的视频帧,基于背景差分法对指定的多帧视频帧进行运动检测;
通过比较当前实时监控视频帧与前面连续视频帧的差异,计算并统计该区域内的相对运动像素点比例;
若相对运动像素点比例高于预设阈值,则将当前实时监控视频帧中该区域的图像输入所述火灾烟雾误报分类网络;若低于预设阈值,则判定视频帧中烟雾形状为静止图像,而非火灾烟雾。
其中,在输出火灾烟雾或误报的分类结果的步骤之后,若分类为真实火灾烟雾,则触发烟雾警报,通过负责工作人员及时处理;若分类为误报,则当前视频帧中不存在火灾烟雾。
其中,正样本数据集中的图像是图像画面包含火灾烟雾的图像,所述负样本数据集中的图像是图像画面至少包含云、雾霾、蒸汽、灯光、烟筒发出烟雾的具有火灾烟雾形状而非火灾烟雾的图像。
本发明的第二个目的在于提出一种基于视频帧的火灾烟雾检测装置,基于如前述技术方案所述的基于视频帧的火灾烟雾检测方法进行火灾烟雾检测。
本发明的第三个目的在于提出一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如前述技术方案所述的方法。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现前述技术方案所述的方法。
区别于现有技术,本发明提供的基于视频帧的火灾烟雾检测方法,通过构建和训练火灾烟雾检测网络和火灾烟雾误报分类网络,将视频拍摄装置实时拍摄的图像依序输入火灾烟雾检测网络和火灾烟雾误报分类网络。对于固定摄像头的视频画面,通过人工增加屏蔽区域的方式,减少干扰画面区域;通过火灾烟雾检测网络判断图像中是否有烟雾状结构的区域;若判断为是,则通过背景差分法判断是否为运动物体;若判断为是,则再将该区域的图像输入火灾烟雾误报分类网络,判断是否为真实烟雾,若是真实烟雾则触发警报。通过本发明,能够避免烟雾相近的静止或运动物体产生误报,保证烟雾检测的准确性。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明提供的一种基于视频帧的火灾烟雾检测方法的流程示意图。
图2是本发明提供的一种基于视频帧的火灾烟雾检测方法的逻辑示意图。
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。
下面参考附图描述本发明实施例的一种基于视频帧的火灾烟雾检测方法。
图1和图2为本发明实施例所提供的一种基于视频帧的火灾烟雾检测方法的流程及逻辑示意图。该方法包括以下步骤:
步骤101,收集火灾烟雾图像,标注所述火灾烟雾图像中的火灾烟雾位置,作为正样本数据集;收集具有火灾烟雾形状的非火灾烟雾图像作为负样本数据集。
本发明的技术目的是基于视频帧进行火灾烟雾检测,即对视频拍摄装置实时拍摄的图像中是否包含火灾烟雾进行检测。但是在实际检测过程中,对火灾烟雾的检测存在诸多干扰,例如天空中的云,雾霾天气下空气中的雾霾,工厂设备发出的蒸汽,以及烟筒里冒出的烟气,当上述情况被拍摄到时,容易对火灾烟雾图像的检测识别造成误判。基于此而构建了本发明的火灾烟雾检测识别方法。
本发明是通过构建神经网络模型进行火灾烟雾的检测识别,首先要为训练神经网络而构建训练数据集。通过链接到互联网云端的图像数据库,获取大量的火灾烟雾图像和包含烟雾形状的非火灾烟雾图像。本步骤所获取的非火灾烟雾图像中可包含天空中的云,雾霾天气下空气中的雾霾,工厂设备发出的蒸汽,烟筒里冒出的烟气以及其他具备相同或相似的性状。
对于火灾烟雾图像,对图像中的火灾烟雾进行标注,形成正样本数据集;将具有火灾烟雾形状的非火灾烟雾图像作为负样本数据集。本发明的实施例中,是通过人工进行标注,标注操作是在火灾烟雾图像中包含的火灾烟雾位置标注矩形框,指示火灾烟雾所在位置。矩形框应完全包围火灾烟雾的形状。
最终,正样本数据集中的图像是图像画面包含火灾烟雾的图像,负样本数据集中的图像是图像画面至少包含云、雾霾、蒸汽、灯光、烟筒发出烟雾的具有火灾烟雾形状而非火灾烟雾的图像。
步骤102:构建火灾烟雾检测网络,通过所述正样本数据集训练;训练完成将负样本数据集输入到火灾烟雾检测网络,标注负样本数据集的非火灾烟雾图像中具有火灾烟雾形状的位置。
物体检测方法能够根据训练数据集的一类或多类目标物体的图片,学习目标物体的特征,具有检测一张图片中是否含有一类或多类目标物体的能力,并给出物体类别及其位置区域。
火灾烟雾检测网络模型采用物体检测方法设计,是通过训练第一卷积神经网络得到;通过正样本数据集训练第一卷积神经网络,通过调整网络函数和参数;当输入正样本数据集后,输出结果对图像中火灾烟雾位置的标注与步骤101中人工标注位置差异最小时,完成训练。
训练完成后,将负样本数据集输入至火灾烟雾检测网络中,通过火灾烟雾检测网络对负样本数据集中非火灾烟雾图像中的烟雾形状位置进行自动标注,不再需要人工标注。
步骤103:裁剪正样本数据集每一火灾烟雾图像中火灾烟雾位置,作为正样本分类数据集;裁剪经火灾烟雾检测网络标注的负样本数据集非火灾烟雾图像中具有火灾烟雾形状的位置,作为负样本分类数据集。
对正样本数据集中火灾烟雾图像的火灾烟雾位置进行裁剪,具体可对步骤101标注后得到的矩形框进行裁剪。对全部的火灾烟雾图像进行裁剪后,得到正样本分类数据集。同时对负样本数据集图像中的烟雾位置进行裁剪,具体也是对步骤102标注形成的矩形标注框进行裁剪,全部裁剪后得到负样本分类数据集。
步骤104:构建火灾烟雾误报分类网络,通过所述正样本分类数据集和负样本分类数据集进行训练。
火灾烟雾误报分类网络采用图像分类方法设计,是通过第二训练卷积神经网络得到;通过正样本分类数据集和负样本分类数据集训练第二训练卷积神经网络,通过调整网络函数和参数,当输入训练集的样本分类数据集和负样本分类数据集至火灾烟雾误报分类网络,当分类准确率最大时,训练完成。本发明涉及的第一卷积神经网络和第二卷积神经网络均为常规神经网络,本发明中并未对原始的网络结构进行改进。
步骤105:将实时监控视频帧输入火灾烟雾检测网络进行识别,检测视频帧中是否具有烟雾形状的区域,并通过背景差分法判断该区域是否为运动物体,并将该区域的图像输入火灾烟雾误报分类网络,输出火灾烟雾或误报的分类结果。
本发明是基于视频帧图像进行图像分类识别,其图像拍摄装置为设置于户外的摄像头,或者其他同功能类型的监控设备。本发明的实施例中采用摄像头,监控场景设定为户外。以视频流的方式传输到模型服务器,对视频流的画面进行逐帧连续计算。摄像头的类型也可分为固定摄像头和移动摄像头,对固定的摄像头,只能拍摄固定画面,需要对固定画面中的无效区域进行屏蔽,以提高识别精度。具体屏蔽过程包括:
判断视频拍摄装置是否拍摄固定画面;针对拍摄固定画面的视频拍摄装置,对拍摄画面增加屏蔽区域;
当接收拍摄画面增加屏蔽区域的视频拍摄装置发送的视频帧时,将屏蔽区域的图像像素点的像素值设置为RGB(0,0,0)。
将实时监控视频帧输入火灾烟雾检测网络进行识别,如果监控视频帧中包含火灾烟雾时,通过标注矩形框的方式对当前的监控视频帧进行标注,将监控视频帧中包含的火灾烟雾图像标注于矩形框内,标注完成后,还包括以下步骤:
提取当前实时监控视频帧前面连续指定数量的视频帧,基于背景差分法对指定的多帧视频帧进行运动检测,判断当前实时监控视频帧内具有烟雾形状的区域是否为运动物体。因为火灾烟雾因为风力及火力的增加,在图像中的位置及形状是不断变化的。因此,当前实时监控视频帧中的火灾烟雾的形状和位置与前面连续的视频帧是不同的,表现为在连续视频帧中相同位置的像素点发生变化。通过比较当前实时监控视频帧与前面连续视频帧的差异,计算并统计当前实时监控视频帧中标注区域内相对于前面连续视频帧的运动像素点的比例。
若相对运动像素点比例高于预设阈值,则将当前实时监控视频帧输入所述火灾烟雾误报分类网络;若低于预设阈值,则判定视频帧中烟雾形状为静止图像,而非火灾烟雾。
通过火灾烟雾误报分类网络进一步对实时视频帧进行检测,网络输出结果是对实时视频帧中的烟雾形状进行分类,输出是二分类结果,作为烟雾误报识别模型,最终判断视频画面中的“可疑烟雾”区域是真实烟雾还是误报。
若分类为真实火灾烟雾,则触发烟雾警报,通过负责工作人员及时处理;若分类为误报,则当前视频帧中不存在火灾烟雾。
为了实现上述实施例,本发明还提出一种基于视频帧的火灾烟雾检测装置,基于如前述技术方案所述的基于视频帧的火灾烟雾检测方法进行火灾烟雾检测,包括:
图像收集模块,用于收集火灾烟雾图像,标注所述火灾烟雾图像中的烟雾位置,作为正样本数据集;收集具有火灾烟雾形状的非火灾烟雾图像作为负样本数据集;
网络构建模块,用于构建火灾烟雾检测网络,通过所述正样本数据集训练;训练完成将负样本数据集输入到火灾烟雾检测网络,标注负样本数据集的非火灾烟雾图像中具有火灾烟雾形状的位置;
裁剪正样本数据集每一火灾烟雾图像中火灾烟雾位置,作为正样本分类数据集;裁剪经火灾烟雾检测网络标注的负样本数据集非火灾烟雾图像中具有火灾烟雾形状的位置,作为负样本分类数据集;
构建火灾烟雾误报分类网络,通过所述正样本分类数据集和负样本分类数据集进行训练;
检测模块,用于将实时监控视频帧增加屏蔽区域,输入火灾烟雾检测网络检测具有烟雾形状的区域,判断该区域是否为运动物体,并将该区域的图像输入火灾烟雾误报分类网络,输出火灾烟雾或误报的分类结果。
为了实现上述实施例,本发明还提出另一种计算机设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,处理器执行计算机程序时,实现如本发明实施例所述的火灾烟雾检测。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例所述的火灾烟雾检测。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于视频帧的火灾烟雾检测方法,其特征在于,包括:
收集火灾烟雾图像,人工标注所述火灾烟雾图像中的火灾烟雾位置,作为正样本数据集;收集具有火灾烟雾形状的非火灾烟雾图像作为负样本数据集;
构建火灾烟雾检测网络,通过所述正样本数据集训练;训练完成将负样本数据集输入到火灾烟雾检测网络,自动标注负样本数据集的非火灾烟雾图像中具有火灾烟雾形状的位置;
裁剪正样本数据集每一火灾烟雾图像中火灾烟雾位置,作为正样本分类数据集;裁剪经火灾烟雾检测网络标注的负样本数据集非火灾烟雾图像中具有火灾烟雾形状的位置,作为负样本分类数据集;
构建火灾烟雾误报分类网络,通过所述正样本分类数据集和负样本分类数据集进行训练;
将实时监控视频帧输入火灾烟雾检测网络进行识别,通过火灾烟雾检测网络判断图像中是否有烟雾状结构的区域,并通过运动检测判断该区域是否为运动物体,再将该区域的视频帧输入火灾烟雾误报分类网络,输出火灾烟雾或误报的分类结果。
2.根据权利要求1所述的基于视频帧的火灾烟雾检测方法,其特征在于,在将实时监控视频帧输入火灾烟雾检测网络进行识别的步骤之前,还包括步骤:
判断视频拍摄装置是否拍摄固定画面;针对拍摄固定画面的视频拍摄装置,对拍摄画面增加屏蔽区域;
当接收拍摄画面增加屏蔽区域的视频拍摄装置发送的视频帧时,将屏蔽区域的图像像素点的像素值设置为RGB(0,0,0)。
3.根据权利要求1所述的基于视频帧的火灾烟雾检测方法,其特征在于,构建火灾烟雾检测网络的步骤中,所述火灾烟雾检测网络是通过训练第一卷积神经网络得到;通过正样本数据集训练所述第一卷积神经网络,通过调整网络函数和参数,至输出结果对正样本数据集中的火灾烟雾位置的标注结果与事先标注差异最小时,训练完成。
4.根据权利要求1所述的基于视频帧的火灾烟雾检测方法,其特征在于,构建火灾烟雾误报分类网络的步骤中,所述火灾烟雾误报分类网络的是通过第二训练卷积神经网络得到;通过正样本分类数据集和负样本分类数据集训练所述第二训练卷积神经网络,通过调整网络函数和参数,至输出结果判断输入图像所属为正样本分类数据集或负样本分类数据集的准确率最大时,训练完成。
5.根据权利要求1所述的基于视频帧的火灾烟雾检测方法,其特征在于,通过运动检测判断该区域是否为运动物体的步骤中,包括步骤:
提取所述当前实时监控视频帧前面连续指定数量的视频帧,基于背景差分法对指定的多帧视频帧进行运动检测;
通过比较当前实时监控视频帧与前面连续视频帧的差异,计算并统计该区域内的相对运动像素点比例;
若相对运动像素点比例高于预设阈值,则将当前实时监控视频帧中烟雾形状的区域输入所述火灾烟雾误报分类网络;若低于预设阈值,则判定视频帧中烟雾形状为静止图像,而非火灾烟雾。
6.根据权利要求1所述的基于视频帧的火灾烟雾检测方法,其特征在于,在输出火灾烟雾或误报的分类结果的步骤之后,若分类为真实火灾烟雾,则触发烟雾警报,通过负责工作人员及时处理;若分类为误报,则当前视频帧中不存在火灾烟雾。
7.根据权利要求1所述的基于视频帧的火灾烟雾检测方法,其特征在于,所述正样本数据集中的图像是图像画面包含火灾烟雾的图像,所述负样本数据集中的图像是图像画面至少包含云、雾霾、蒸汽、灯光、烟筒发出烟雾的具有火灾烟雾形状而非火灾烟雾的图像。
8.一种基于视频帧的火灾烟雾检测装置,基于如权利要求1-7任一所述的基于视频帧的火灾烟雾检测方法进行火灾烟雾检测,其特征在于,包括:
图像收集模块,用于收集火灾烟雾图像,标注所述火灾烟雾图像中的烟雾位置,作为正样本数据集;收集具有火灾烟雾形状的非火灾烟雾图像作为负样本数据集;
网络构建模块,用于构建火灾烟雾检测网络,通过所述正样本数据集训练;训练完成将负样本数据集输入到火灾烟雾检测网络,标注负样本数据集的非火灾烟雾图像中具有火灾烟雾形状的位置;
裁剪正样本数据集每一火灾烟雾图像中火灾烟雾位置,作为正样本分类数据集;裁剪经火灾烟雾检测网络标注的负样本数据集非火灾烟雾图像中具有火灾烟雾形状的位置,作为负样本分类数据集;
构建火灾烟雾误报分类网络,通过所述正样本分类数据集和负样本分类数据集进行训练;
检测模块,用于将实时监控视频帧增加屏蔽区域,输入火灾烟雾检测网络检测具有烟雾形状的区域,判断该区域是否为运动物体,并将该区域的图像输入火灾烟雾误报分类网络,输出火灾烟雾或误报的分类结果。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一所述的方法。
10.一种非临时性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如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111266276.0A CN114120171A (zh) | 2021-10-28 | 2021-10-28 | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111266276.0A CN114120171A (zh) | 2021-10-28 | 2021-10-28 | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120171A true CN114120171A (zh) | 2022-03-01 |
Family
ID=80377434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111266276.0A Pending CN114120171A (zh) | 2021-10-28 | 2021-10-28 | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120171A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842380A (zh) * | 2022-04-27 | 2022-08-02 | 安徽工业大学科技园有限公司 | 一种火灾监测方法、装置、系统、存储器和处理器 |
CN114898519A (zh) * | 2022-05-07 | 2022-08-12 | 安徽送变电工程有限公司 | 一种舱式变电站火灾消防联动控制系统 |
CN115125355A (zh) * | 2022-07-15 | 2022-09-30 | 武汉钢铁有限公司 | 转炉炉门除尘烟气识别系统 |
CN117217596A (zh) * | 2023-09-13 | 2023-12-12 | 广东建筑消防设施检测中心有限公司 | 水利水电工程建构筑物消防检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106507040A (zh) * | 2016-10-26 | 2017-03-15 | 浙江宇视科技有限公司 | 目标监测的方法及装置 |
CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
CN111145222A (zh) * | 2019-12-30 | 2020-05-12 | 浙江中创天成科技有限公司 | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 |
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 |
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
-
2021
- 2021-10-28 CN CN202111266276.0A patent/CN114120171A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN106507040A (zh) * | 2016-10-26 | 2017-03-15 | 浙江宇视科技有限公司 | 目标监测的方法及装置 |
CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
CN111145222A (zh) * | 2019-12-30 | 2020-05-12 | 浙江中创天成科技有限公司 | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 |
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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842380A (zh) * | 2022-04-27 | 2022-08-02 | 安徽工业大学科技园有限公司 | 一种火灾监测方法、装置、系统、存储器和处理器 |
CN114842380B (zh) * | 2022-04-27 | 2024-05-14 | 安徽工业大学科技园有限公司 | 一种火灾监测方法、装置、系统、存储器和处理器 |
CN114898519A (zh) * | 2022-05-07 | 2022-08-12 | 安徽送变电工程有限公司 | 一种舱式变电站火灾消防联动控制系统 |
CN115125355A (zh) * | 2022-07-15 | 2022-09-30 | 武汉钢铁有限公司 | 转炉炉门除尘烟气识别系统 |
CN117217596A (zh) * | 2023-09-13 | 2023-12-12 | 广东建筑消防设施检测中心有限公司 | 水利水电工程建构筑物消防检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114120171A (zh) | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 | |
CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN112733690B (zh) | 一种高空抛物检测方法、装置及电子设备 | |
US8411947B2 (en) | Video processing to detect movement of an object in the scene | |
JP4999794B2 (ja) | 静止領域検出方法とその装置、プログラム及び記録媒体 | |
PT1628260E (pt) | Processo e dispositivo para a detecção automática de fogos florestais | |
JP5388829B2 (ja) | 侵入物体検知装置 | |
CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
CN107122743B (zh) | 安防监控方法、装置和电子设备 | |
CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
CN110557628A (zh) | 一种检测摄像头遮挡的方法、装置及电子设备 | |
CN111461078A (zh) | 一种基于计算机视觉技术的防钓监控方法 | |
CN111127433B (zh) | 一种检测火焰的方法及装置 | |
CN117789394B (zh) | 一种基于运动历史图像的早期火灾烟雾检测方法 | |
EP3029600A1 (en) | Thermal image object detection | |
CN117392495A (zh) | 一种基于特征融合的视频火焰检测方法及系统 | |
JP2021007055A (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
CN112613483A (zh) | 一种基于语义分割和识别的户外火灾预警方法 | |
JP6275022B2 (ja) | 画像監視装置 | |
JP7243372B2 (ja) | 物体追跡装置および物体追跡方法 | |
Batista et al. | Improved real-time wildfire detection using a surveillance system | |
KR102516172B1 (ko) | 전경의 색상 추출 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 | |
CN117238117A (zh) | 基于巡检机器人的消防手动报警器异常检测方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |
|
RJ01 | Rejection of invention patent application after publication |