CN114821414A - 一种基于改进yolov5的烟火检测方法、系统及电子设备 - Google Patents
一种基于改进yolov5的烟火检测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN114821414A CN114821414A CN202210428840.2A CN202210428840A CN114821414A CN 114821414 A CN114821414 A CN 114821414A CN 202210428840 A CN202210428840 A CN 202210428840A CN 114821414 A CN114821414 A CN 114821414A
- Authority
- CN
- China
- Prior art keywords
- smoke
- target
- yolov5
- flame
- fire detection
- 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 86
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000007306 turnover Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F18/25—Fusion 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
-
- 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
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供一种基于改进YOLOV5的烟火检测方法、系统及电子设备,通过采用改进的YOLOV5模型,将可变卷积层替换原有的标准卷积层,并通过识别的目标分别进行火焰判定和烟雾判定,相比于标准卷积层计算方式,可变形卷积在每一个卷积核的采样点上添加了一个偏移参数,使得卷积核具有学习目标几何形变的能力,对烟雾、火焰等不具备规则形状目标的检测能力增强,减少误报。同时,根据火焰和烟雾的不同目标,针对火焰进行面积变化频率的识别,针对烟雾进行像素变化的识别,使得本方法细化了对火焰和烟雾的识别,可以根据火焰和烟雾的固有目标提高烟火目标的识别准确度,能够有效过滤烟火目标误报。
Description
技术领域
本发明涉及烟火检测识别技术领域,特别涉及一种基于改进YOLOV5的烟火检测方法、系统及电子设备。
背景技术
火灾一直是威胁人民生命财产安全的一大隐患,据报道,火灾每年造成的经济损失高达15.5亿元。能够在火灾发生前对火灾进行预警对于保护人民生命财产安全具有极高的意义和价值。
现阶段大部分烟火预警装置多采用红外摄像头装置以及烟雾传感器等实现火灾预警功能,但是其对于室内场景的火灾预警效果较好,不能实现在郊区中工厂、园区、森林等室外场景下的火灾预警功能。现阶段视频监控场景下的火灾预警方案多采用常规的图像识别检测算法实现火灾预警,但是该方案误报较多。
发明内容
为了克服目前现有的郊区火灾预警准确度较低的问题,本发明提供基于改进YOLOV5的烟火检测方法、系统及电子设备。
本发明为解决上述技术问题,提供一种基于改进YOLOV5的烟火检测方法,步骤S1:获取视频帧图像;步骤S2:采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的烟雾和火焰,获取烟雾和火焰目标;步骤S3:对于每一个火焰目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰;步骤S4:对于每一个烟雾目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
优选地,所述YOLOV5模型训练步骤包括:步骤S101:获取多个训练帧图像;步骤S102:采用数据增强处理,对多个训练帧图像进行数据增强,并输入到YOLOV5模型中。
优选地,在步骤S102中,数据增强处理包括:将多个训练帧图像组合形成一个组合图像,该组合图像中未填充区域采用灰度化处理。
优选地,在步骤S102中,数据增强处理包括:将烟火目标粘贴至训练帧图像中的任意位置,作为粘贴训练集。
优选地,在步骤S102中,数据增强处理包括:对训练帧图像进行翻转处理。
优选地,步骤S2之后还包括:步骤S21:基于检测的多个目标,将烟火置信度小于阈值的目标过滤;步骤S22:判断剩余的目标之间IOU的大小,将IOU数值超过阈值的两个目标对应的检测框进行融合。
本发明还提供一种基于改进YOLOV5的烟火检测系统,包括:图像获取单元,用于获取视频帧图像;目标采集单元,采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的烟雾和火焰,获取烟雾和火焰目标;火焰判定单元,用于对于每一个火焰目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰;烟雾判定单元,用于对于每一个烟雾目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被设置为运行时执行上述任一项中所述的基于改进YOLOV5的烟火检测方法;所述处理器被设置为通过所述计算机程序执行上述任一项中所述的基于改进YOLOV5的烟火检测方法。
与现有技术相比,本发明提供的一种基于改进YOLOV5的烟火检测方法、系统及电子设备,具有以下优点:
通过采用改进的YOLOV5模型,将可变卷积层替换原有的标准卷积层,相比于标准卷积层计算方式,可变形卷积在每一个卷积核的采样点上添加了一个偏移参数,使得卷积核具有学习目标几何形变的能力,对烟雾、火焰等不具备规则形状目标的检测能力增强,减少误报。同时,根据火焰和烟雾的不同目标,针对火焰进行面积变化频率的识别,针对烟雾进行像素变化的识别,使得本方法细化了对火焰和烟雾的识别,可以根据火焰和烟雾的固有目标提高烟火目标的识别准确度,能够有效过滤烟火目标误报。进一步地,本方法采用改进的YOLOV5算法模型进行识别,在森林、社区、工厂等场景下的火灾预警中,不需要额外安装红外摄像头,只需要复用现有的监控摄像头即可实现,能够极大节省人力物力成本。
附图说明
图1为本发明第一实施例提供的一种基于改进YOLOV5的烟火检测方法的流程图。
图2为本发明第一实施例提供的一种基于改进YOLOV5的烟火检测方法中步骤S2之后又一种实施方式的流程图。
图3为本发明第一实施例提供的一种基于改进YOLOV5的烟火检测方法中改进YOLOV5模型的训练的流程图。
图4为本发明第二实施例提供的一种基于改进YOLOV5的烟火检测系统的模块图。
图5为本发明第三实施例提供的一种电子设备的模块图。
附图标记说明:
1、图像获取单元;2、目标采集单元;3、火焰判定单元;4、烟雾判定单元;
10、存储器;20、处理器。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明第一实施例提供一种基于改进YOLOV5的烟火检测方法,包括以下步骤:
步骤S1:获取视频帧图像;
步骤S2:采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的烟雾和火焰,获取烟雾和火焰目标;
步骤S3:对于每一个火焰目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰;
步骤S4:对于每一个烟雾目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
可以理解,在步骤S2中,采用可变形卷积层替换掉原有YOLOV5模型的标准卷积层。相比于标准卷积层计算方式,可变形卷积在每一个卷积核的采样点上添加了一个偏移参数,使得卷积核具有学习目标几何形变的能力,对烟雾、火焰等不具备规则形状目标的检测能力增强。
可以理解,在步骤S3中,每一个目标均含有对应的检测框,对所有目标进行灰度化和二值化处理,计算出目标图像的直方图,针对每一个目标,计算其包含的像素个数,像素个数代表面积。而基于火焰的面积变化特性,对比相邻帧,例如前一帧与当前帧,或者是当前帧与后一帧图像中该目标的面积变化率,例如可以设定为面积变化率20%,当超过20%的面积变化率时,视为变化一次,如果同一个目标在特定时间内(例如1秒25帧内)面积变化频率超过了预设范围,例如设定为[5,10]的范围内,即可判定为火焰。
可以理解,在步骤S4中,对于每个目标的检测框,计算相邻帧的像素差值,得出相邻帧之间的像素变化值,当像素变化值超过预定范围时,可判定该目标为烟雾。
请参阅图2,在上述步骤S2之后还包括:
步骤S21:基于检测的多个目标,将烟火置信度小于阈值的目标过滤。
步骤S22:判断剩余的目标之间IOU的大小,将IOU数值超过阈值的两个目标对应的检测框进行融合。
可以理解,在步骤S2中YOLOV5模型为预训练好的目标识别模型,其可针对图像中出现的多种目标进行火焰和烟雾目标识别,根据置信度来判断火焰和烟雾,将非真实烟火的目标过滤掉。
可以理解,在步骤S22中,本实施例结合了改进的非极大抑制算法(Merge NMS),根据每两个目标的检测框之间计算IOU值的大小,并根据IOU值范围,将IOU值超过阈值的两个检测框进行融合处理,逐次连接所有符合IOU值的检测框合并为一个目标。
可以理解,在步骤S22中,本实施例采用改进的非极大抑制算法结合融合检测框的方式,可以有效识别出长条状烟雾,准确识别目标数量,可以避免现有识别中对长条状烟雾情况的多目标数量误报。
请参阅图3,本实施例的YOLOV5模型通过训练获得,其训练步骤包括:
步骤S101:获取多个训练帧图像;
步骤S102:采用数据增强处理,对多个训练帧图像进行数据增强,并输入到YOLOV5模型中。
可以理解,在步骤S102中,数据增强处理包括:将多个训练帧图像组合形成一个组合图像,该组合图像中未填充区域采用灰度化处理。例如,按照一定概率P1随机挑选训练集中2-4张图像组合成一张新的图像,对新图像中未填充图像区域采用灰色像素值赋值处理。
可以理解,在步骤S102中,数据增强处理还可以包括:将烟火目标粘贴至训练帧图像中的任意位置,作为粘贴训练集。具体操作方式为按照一定概率P2随机裁剪出原有烟火训练集中的目标并将其粘贴到没有烟火目标的图像中。
可以理解,在步骤S102中,数据增强处理还可以包括:对训练帧图像进行翻转处理。具体操作方式为按照一定概率P3随机对训练集图片进行左右翻转。
请参阅图4,本发明第二实施例还提供一种基于改进YOLOV5的烟火检测系统。用于执行上述第一实施例中基于改进YOLOV5的烟火检测方法,该基于改进YOLOV5的烟火检测系统可以包括:
图像获取单元1,用于实施上述步骤S1,用于获取视频帧图像。
目标采集单元2,用于实施上述步骤S2,用于采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的烟雾和火焰,获取烟雾和火焰目标。
火焰判定单元3,用于实施上述步骤S3,用于对于每一个火焰目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰。
烟雾判定单元4,用于实施上述步骤S4,用于对于每一个烟雾目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
请参阅图5,本发明第三实施例提供一种用于实施上述基于改进YOLOV5的烟火检测方法的电子设备,所述电子设备包括存储器10和处理器20,所述存储器10中存储有运算机程序,所述运算机程序被设置为运行时执行上述任一项基于改进YOLOV5的烟火检测方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项基于改进YOLOV5的烟火检测方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。
与现有技术相比,本发明提供的一种基于改进YOLOV5的烟火检测方法、系统及电子设备,具有以下优点:
通过采用改进的YOLOV5模型,将可变卷积层替换原有的标准卷积层,相比于标准卷积层计算方式,可变形卷积在每一个卷积核的采样点上添加了一个偏移参数,使得卷积核具有学习目标几何形变的能力,对烟雾、火焰等不具备规则形状目标的检测能力增强,减少误报。同时,根据火焰和烟雾的不同目标,针对火焰进行面积变化频率的识别,针对烟雾进行像素变化的识别,使得本方法细化了对火焰和烟雾的识别,可以根据火焰和烟雾的固有目标提高烟火目标的识别准确度,能够有效过滤烟火目标误报。进一步地,本方法采用改进的YOLOV5算法模型进行识别,在森林、社区、工厂等场景下的火灾预警中,不需要额外安装红外摄像头,只需要复用现有的监控摄像头即可实现,能够极大节省人力物力成本。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。
在该计算机程序被处理器执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。
计算机存储器的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读信号介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像预处理单元、预测单元、损失监督单元及模型更新单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像预处理单元还可以被描述为“用于获取经过预处理的图像的单元”。
作为另一方面,本申请还提供了一种计算机存储器,该计算机存储器可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机存储器承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取视频帧图像;采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的目标;对于每一个目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰;对于每一个目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
以上仅为本发明较佳实施例而已,并不用以限制本发明,凡在本发明原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (8)
1.一种基于改进YOLOV5的烟火检测方法,其目标在于:包括如下步骤:
步骤S1:获取视频帧图像;
步骤S2:采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的烟雾和火焰,获取烟雾和火焰目标;
步骤S3:对于每一个火焰目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰;
步骤S4:对于每一个烟雾目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
2.如权利要求1中所述基于改进YOLOV5的烟火检测方法,其目标在于:所述YOLOV5模型训练步骤包括:
步骤S101:获取多个训练帧图像;
步骤S102:采用数据增强处理,对多个训练帧图像进行数据增强,并输入到YOLOV5模型中。
3.如权利要求2中所述基于改进YOLOV5的烟火检测方法,其目标在于:在步骤S102中,数据增强处理包括:将多个训练帧图像组合形成一个组合图像,该组合图像中未填充区域采用灰度化处理。
4.如权利要求2中所述基于改进YOLOV5的烟火检测方法,其目标在于:在步骤S102中,数据增强处理包括:将烟火目标粘贴至训练帧图像中的任意位置,作为粘贴训练集。
5.如权利要求2中所述基于改进YOLOV5的烟火检测方法,其目标在于:在步骤S102中,数据增强处理包括:对训练帧图像进行翻转处理。
6.如权利要求1中所述基于改进YOLOV5的烟火检测方法,其目标在于:步骤S2之后还包括:
步骤S21:基于检测的多个目标,将烟火置信度小于阈值的目标过滤;
步骤S22:判断剩余的目标之间IOU的大小,将IOU数值超过阈值的两个目标对应的检测框进行融合。
7.一种基于改进YOLOV5的烟火检测系统,其目标在于,包括:
图像获取单元,用于获取视频帧图像;
目标采集单元,用于采用YOLOV5模型对视频帧图像进行图像识别,YOLOV5模型中采用可变形卷积层检测视频帧图像中的烟雾和火焰,获取烟雾和火焰目标;
火焰判定单元,用于对于每一个火焰目标,计算相邻帧图像中当前目标中面积变化值,当面积变化值超过预定范围时,记录变化一次,当同一个目标变化频率超过预定范围时,判定该目标为火焰;
烟雾判定单元,用于对于每一个烟雾目标,计算相邻帧图像中当前目标中像素变化值,当像素变化值超过预定范围时,判定该目标为烟雾。
8.一种电子设备,包括存储器和处理器,其目标在于:所述存储器中存储有计算机程序,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述基于改进YOLOV5的烟火检测方法;
所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述基于改进YOLOV5的烟火检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428840.2A CN114821414A (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进yolov5的烟火检测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428840.2A CN114821414A (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进yolov5的烟火检测方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114821414A true CN114821414A (zh) | 2022-07-29 |
Family
ID=82504761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210428840.2A Pending CN114821414A (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进yolov5的烟火检测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821414A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998843A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市海清视讯科技有限公司 | 火灾检测方法和相关设备 |
CN116697414A (zh) * | 2023-05-17 | 2023-09-05 | 中关村科学城城市大脑股份有限公司 | 智能安全控制方法、装置、电子设备和计算机可读介质 |
CN116824514A (zh) * | 2023-08-30 | 2023-09-29 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-22 CN CN202210428840.2A patent/CN114821414A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998843A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市海清视讯科技有限公司 | 火灾检测方法和相关设备 |
CN116697414A (zh) * | 2023-05-17 | 2023-09-05 | 中关村科学城城市大脑股份有限公司 | 智能安全控制方法、装置、电子设备和计算机可读介质 |
CN116697414B (zh) * | 2023-05-17 | 2023-11-24 | 中关村科学城城市大脑股份有限公司 | 智能安全控制方法、装置、电子设备和计算机可读介质 |
CN116824514A (zh) * | 2023-08-30 | 2023-09-29 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
CN116824514B (zh) * | 2023-08-30 | 2023-12-08 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114821414A (zh) | 一种基于改进yolov5的烟火检测方法、系统及电子设备 | |
CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
US20230005176A1 (en) | Throwing position acquisition method and apparatus, computer device and storage medium | |
CN113052029A (zh) | 基于动作识别的异常行为监管方法、装置及存储介质 | |
US20180144476A1 (en) | Cascaded-time-scale background modeling | |
US10140718B2 (en) | Methods and systems of maintaining object trackers in video analytics | |
US20160148383A1 (en) | Estimating rainfall precipitation amounts by applying computer vision in cameras | |
WO2018031102A1 (en) | Methods and systems of performing content-adaptive object tracking in video analytics | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
WO2018031096A1 (en) | Methods and systems of performing blob filtering in video analytics | |
CN112052878B (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
US10115005B2 (en) | Methods and systems of updating motion models for object trackers in video analytics | |
CN112776856A (zh) | 轨道异物侵限监测方法、装置、系统及监控主机设备 | |
CN113792578A (zh) | 用于变电站异常的检测方法、设备及系统 | |
CN114332702A (zh) | 目标区域的检测方法和装置、存储介质及电子设备 | |
CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
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 | |
CN116630866B (zh) | 音视频雷达融合的异常事件监控方法、装置、设备及介质 | |
CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
CN112949359A (zh) | 基于卷积神经网络的异常行为识别方法和装置 | |
US20190188861A1 (en) | Method and apparatus for detecting motion deviation in a video sequence | |
CN114187666B (zh) | 边走路边看手机的识别方法及其系统 | |
CN114898279A (zh) | 物体检测方法及装置、计算机设备、存储介质 |
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 |