CN116152720A - 一种烟雾检测方法 - Google Patents

一种烟雾检测方法 Download PDF

Info

Publication number
CN116152720A
CN116152720A CN202310402193.2A CN202310402193A CN116152720A CN 116152720 A CN116152720 A CN 116152720A CN 202310402193 A CN202310402193 A CN 202310402193A CN 116152720 A CN116152720 A CN 116152720A
Authority
CN
China
Prior art keywords
smoke
image
frame
coordinates
improved
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
Application number
CN202310402193.2A
Other languages
English (en)
Inventor
宫晨羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310402193.2A priority Critical patent/CN116152720A/zh
Publication of CN116152720A publication Critical patent/CN116152720A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理技术领域，涉及一种烟雾检测方法，对输入图像数据进行滤波处理后利用改进的三帧帧间差分法获得运动目标的二值化图像，再对二值化图像进行分块坐标标记，并基于像素块的运动方向判别方法计算出烟雾运动位移矢量，排除不符合烟雾运动特征的物体；然后构建集成轻量化卷积注意力模块和增加小目标检测层的改进的YOLOv5s模型，将含有符合烟雾运动特征的预处理图像作为输入，利用改进的YOLOv5s模型对图像进行检测，输出烟雾检测结果，该方法能够实现复杂场景下的动态烟雾检测，满足实时性要求的同时有效提升了烟雾检测的精度，具有很高的可用性。

Description

一种烟雾检测方法
技术领域
本发明属于图像处理技术领域，涉及一种烟雾检测方法，特别是一种融合动态特征分析和改进YOLOv5s的烟雾检测方法。
背景技术
安全一直以来都是工业生产和建设中永恒不变的话题。根据大量统计的数据分析，许多安全生产问题往往是由于意外火灾造成的，火灾每年都会造成巨大的经济损失甚至危害人类的生命安全。火灾初期一般观察不到明火，而是先出现烟雾，烟雾会覆盖火焰扩散到空气上空，对于密闭的工业生产环境，火灾发生前往往伴随着淡淡的烟雾，需要空气中的烟雾粒子到达一定的浓度才可以触发烟雾报警器，容易造成火情的延误处理，人们常常无法干预并且无法及时得知最新情况。目前，工业生产和建设现场的安全行为检测通常利用摄像头采集视频数据，然后通过人工监管来判断人或物的不安全行为和状态，但人工监管存在着诸多的缺点：增加大量的人力成本；监管时间过长出现疲劳时，容易导致监管的误判，甚至疏忽和遗漏。因此，设计和实现一种能够自动获取、分析、监测的技术应用到对生产和工业建设现场的安全监管中迫在眉睫。
目前，由于视频监控具有不限距离和多种场景高适应度的优势，因此在视频监控序列的基础上，有越来越多国内外学者对烟雾检测进行相关的研究工作，现有的烟雾检测方法主要有基于图形图像处理和基于深度学习神经网络模型两种，其中基于传统图像的处理方法主要是分析烟雾的颜色、形状、纹理、飘流等特征使用分类算法进行烟雾和火焰的识别，例如CN106228150B公开的基于视频图像的烟雾检测方法，这些特征常用的描述方法有局部特征、统计特征、变换域特征等，需要人为提取这些烟雾特征，识别效果很大程度上受到人为提取特征的质量影响，这种方式大大增加了烟雾识别中的人力成本，并且训练的模型检泛化性差、测精度不高、实时性不适用、时间复杂度高，对该方法的大范围推广应用产生不利影响。
基于深度学习神经网络的方法，通过对大量的烟雾图像数据集进行训练学习，将烟雾数据输入到神经网络，经过一系列卷积、池化、归一化、全连接等手段学习烟雾的特征并生成一个模型，该方法具有精度高、实时性强、实用性广的优点，例如CN115601696A公开的一种基于YOLOv5的火灾早期烟雾检测方法及系统以及CN115393774A公开的一种轻量化的火灾烟雾检测方法、终端设备及存储介质，但是这些方法对应用设施的硬件要求较高，且模型性能严重依赖数据集的数量和卷积神经网络结构的合理设计，针对生产和工业建设等其他复杂场所，背景复杂、干扰物较多、目标渺小等，难以取得较高的识别准确率，增加了目标检测和视频分析的难度，及时发现并制止作业现场存在的危险烟雾是一个迫切解决的难题。
发明内容
为了克服上述缺陷，本发明设计提出了一种烟雾检测方法，基于融合动态特征分析和改进的YOLOv5s实现烟雾检测，提高复杂场景下的动态烟雾检测精度。
为实现上述目的，本发明对烟雾检测的过程具体包括如下步骤：
S1，收集待检测的烟雾视频，并对烟雾视频进行分帧处理得到图像数据，再采用中值滤波对图像数据进行降噪处理，得到预处理图像集；
S2，通过改进的三帧帧间差分法对预处理图像集中的图像进行处理，得到二值化的运动目标区域图像；
S3，分析前后连续帧的二值化运动目标图像，对二值化图像进行分块并进行坐标标记，得到分块标记坐标化的二值化图像；
S4，基于分块标记坐标化的二值化图像，根据基于像素块的运动目标运动方向判别方法计算出烟雾运动位移矢量；
S5，根据步骤S4得到的烟雾运动位移矢量，判断烟雾运动位移矢量与地面的夹角，排除不符合烟雾运动特征的物体；
S6，利用K-means++聚类算法重新获取更符合烟雾尺寸的锚框，构建集成轻量化卷积注意力模块和增加小目标检测层的改进的YOLOv5s模型；
S7，将含有符合烟雾运动特征的预处理图像作为输入，利用S6提出的改进的YOLOv5s模型对图像进行检测，输出烟雾检测结果。
作为本发明的进一步技术方案，步骤S2所述改进的三帧帧间差分法对时间上连续的两帧或三帧图像进行差分运算，将不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现运动目标的运动区域检测功能，设连续三帧图像的编号分别为
Figure SMS_3
，/>
Figure SMS_7
，/>
Figure SMS_9
，/>
Figure SMS_1
，/>
Figure SMS_6
，/>
Figure SMS_10
分别表示第/>
Figure SMS_12
帧、第
Figure SMS_4
帧和第/>
Figure SMS_5
帧图像中坐标为/>
Figure SMS_8
的像素灰度化后的值，/>
Figure SMS_11
为差分操作后坐标为/>
Figure SMS_2
的灰度值，改进的三帧帧间差分法具体步骤如下：
（1）第
Figure SMS_13
帧和第/>
Figure SMS_14
帧图像做“差分”操作，得到差分图像/>
Figure SMS_15
，
Figure SMS_16
，
（2）第
Figure SMS_17
帧和第/>
Figure SMS_18
帧图像做“差分”操作，得到差分图像/>
Figure SMS_19
，
Figure SMS_20
，
（3）
Figure SMS_21
和/>
Figure SMS_22
进行逻辑“与”操作，得到结果图像/>
Figure SMS_23
，
Figure SMS_24
，
（4）
Figure SMS_25
和/>
Figure SMS_26
进行逻辑“异或”操作，得到结果图像/>
Figure SMS_27
，
Figure SMS_28
，
（5）
Figure SMS_29
和/>
Figure SMS_30
进行逻辑“与”操作，得到检测结果图像/>
Figure SMS_31
，
Figure SMS_32
。
作为本发明的进一步技术方案，步骤S3所述二值化图像的尺寸为640×640，按照64×64的像素块对划分100个像素块，并将最左下角的像素块标记为坐标的原点。
作为本发明的进一步技术方案，步骤S4计算运动方向位移矢量的具体过程为：设
Figure SMS_47
表示第/>
Figure SMS_35
帧图像的第/>
Figure SMS_44
个像素块质心的坐标，/>
Figure SMS_48
表示第/>
Figure SMS_53
帧图像的第/>
Figure SMS_49
个像素块质心的坐标，/>
Figure SMS_52
；同时设/>
Figure SMS_45
表示质心坐标为/>
Figure SMS_50
的像素块含有运动目标，设/>
Figure SMS_33
表示质心坐标为/>
Figure SMS_40
的像素块没有运动目标,则第/>
Figure SMS_36
帧图像的整体运动目标的运动位置矢量为/>
Figure SMS_42
，其中/>
Figure SMS_38
；第
Figure SMS_43
帧图像的整体运动目标的运动位置矢量为/>
Figure SMS_37
，其中
Figure SMS_41
；则第/>
Figure SMS_46
帧和第/>
Figure SMS_51
帧图像整体的烟雾运动位移矢量/>
Figure SMS_34
表示为：/>
Figure SMS_39
。
作为本发明的进一步技术方案，步骤S5的具体过程为：根据步骤S4得到的烟雾运动位移矢量
Figure SMS_54
，得出该矢量的首尾坐标，设矢量的首坐标为/>
Figure SMS_55
，尾坐标为/>
Figure SMS_56
，则位移矢量的正弦值为：
Figure SMS_57
，
其中
Figure SMS_58
是烟雾运动位移矢量/>
Figure SMS_59
与/>
Figure SMS_60
轴的夹角，/>
Figure SMS_61
，如果/>
Figure SMS_62
，则为符合烟雾规律的运动物体，如果/>
Figure SMS_63
，则为能过滤掉大部分运动的干扰物。
作为本发明的进一步技术方案，步骤S6所述改进的YOLOv5s模型以一阶段的YOLOv5s为基准模型进行改进，改进的YOLOv5s模型包括输入、主干网络、颈部网络和预测头四个部分组成，输入部分使用大小640×640的烟雾视频帧序列，并利用K-means++聚类算法重新获取更符合烟雾尺寸的锚框；主干网络采用CSP-Darknent53，包括CBS(Conv+BN+SiLu，卷积+批量归一化+ SiLu激活)、C3-CBAM、SPPF（空间金字塔池化）结构，其中C3-CBAM由CSP1_X中加入轻量化的卷积注意力模块（CBAM）组成，主干网络实现特征提取，从输入图像中提取丰富的信息特征，并利用空间金字塔池化(SPPF)增大感受野；颈部网络和预测头部分增加小目标检测层，由基础模型的三个预测头变为四个，改进的YOLOv5s模型将回归损失函数（CIOU_Loss）做目标检测边界框（Bounding box）的定位损失函数，函数公式如下：
Figure SMS_64
，
其中，IOU是任意两个锚框的交并比，A，B表示任意两个锚框，找到一个最小的锚框C把A，B包含在内，
Figure SMS_65
代表锚框总面积，通过改进的YOLOv5s模型得到烟雾目标类别的置信度得分。
与现有技术相比，本发明解决了现有的目标检测技术在工业生产和建设这种复杂场景下动态烟雾检测精度不高、小目标漏检、误检、实时性差等问题，具有以下优点：
（1）有效地解决了在背景复杂、目标渺小情况下的动态烟雾检测，能够更好获取烟雾和火焰的特征信息，在满足实时性要求的同时有效提升了烟雾检测的精度，可用性得到了大幅度提高；
（2）本发明的方法可以应用到工业生产和建设的复杂场景中，集成到监控平台现有的系统中，实现模型的即插即用，并将检测结果以日志的形式发送给用户，及时检测并制止火灾隐患。
附图说明
图1为本发明实现烟雾检测的流程图。
图2为本发明所述改进的三帧帧间差分法的流程图。
图3为本发明所述分块标记坐标化的二值化图像中运动物体帧差结果图。
图4为本发明中改进的YOLOv5s模型结构图。
具体实施方式
下面结合附图以及实施例对本发明作进一步的详细说明。
实施例：
如图1所示，本实施例所述烟雾检测方法包含以下步骤：
S1，预处理数据集获取：输入待检测的烟雾视频，对视频进行分帧处理获得图像数据，并用中值滤波对输入的图像数据进行降噪处理，得到预处理图像集；
S2，目标运动区域检测：采用改进的三帧帧间差分法实现运动区域检测，由于烟雾场景中的目标在运动，目标的视频在不同图像帧中的位置不同，改进的三帧帧间差分法对时间上连续的两帧或三帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现运动目标的运动区域检测功能，设连续三帧图像的编号分别为
Figure SMS_67
，/>
Figure SMS_71
，/>
Figure SMS_74
，/>
Figure SMS_68
，/>
Figure SMS_72
，/>
Figure SMS_75
分别表示第
Figure SMS_77
帧、第/>
Figure SMS_66
帧和第/>
Figure SMS_70
帧图像中坐标为/>
Figure SMS_73
的像素灰度化后的值，/>
Figure SMS_76
为差分操作后坐标为/>
Figure SMS_69
的灰度值，改进的三帧帧间差分法如图2所示，具体步骤如下：
（1）第
Figure SMS_78
帧和第/>
Figure SMS_79
帧图像做“差分”操作，得到差分图像/>
Figure SMS_80
，
Figure SMS_81
，
（2）第
Figure SMS_82
帧和第/>
Figure SMS_83
帧图像做“差分”操作，得到差分图像/>
Figure SMS_84
，
Figure SMS_85
，
（3）
Figure SMS_86
和/>
Figure SMS_87
进行逻辑“与”操作，得到结果图像/>
Figure SMS_88
，
Figure SMS_89
，
（4）
Figure SMS_90
和/>
Figure SMS_91
进行逻辑“异或”操作，得到结果图像/>
Figure SMS_92
，
Figure SMS_93
，
（5）
Figure SMS_94
和/>
Figure SMS_95
进行逻辑“与”操作，得到检测结果图像/>
Figure SMS_96
，
Figure SMS_97
，
在对输入的图像集进行预处理的基础上，通过上述改进的三帧帧间差分法得到二值化的运动目标区域图像；
S3，对运二值化的运动目标区域图像分块坐标划分处理：对连续帧图像通过步骤S2得到的运动目标区域二值化图像进行坐标划分，默认输入的图像尺寸是640×640，按照64×64大小的像素块对，将运动目标区域二值化图像划分100个像素块，并在最左下角的像素块标记为坐标的原点，为了方便表示，本实施例中选择黑色块为含有运动物体的像素块，选择白色块为是不含有运动物体的像素块，如图3所示；
S4，运动位移矢量获取：采用基于像素块的运动目标运动方向判别方法计算出烟雾运动位移矢量，设
Figure SMS_110
表示第/>
Figure SMS_102
帧图像的第/>
Figure SMS_105
个像素块质心的坐标，/>
Figure SMS_113
表示第/>
Figure SMS_116
帧图像的第/>
Figure SMS_114
个像素块质心的坐标，/>
Figure SMS_118
；同时设/>
Figure SMS_103
表示质心坐标为
Figure SMS_108
的像素块含有运动目标，设/>
Figure SMS_98
表示质心坐标为/>
Figure SMS_104
的像素块没有运动目标,则第
Figure SMS_101
帧图像的整体运动目标的运动位置矢量为/>
Figure SMS_111
，其中/>
Figure SMS_112
；第/>
Figure SMS_117
帧图像的整体运动目标的运动位置矢量为/>
Figure SMS_99
，其中
Figure SMS_107
；则第/>
Figure SMS_109
帧和第/>
Figure SMS_115
帧图像整体的烟雾运动位移矢量/>
Figure SMS_100
表示为：/>
Figure SMS_106
，该步骤中基于像素块的运动方向判别方法具有表示简单，运算量小，便于软硬件实现的特点，有效的解决了单个像素值判断运动方向无法实时性的问题；
S5，运动方向判别：根据步骤S4得到的烟雾运动位移矢量
Figure SMS_119
，得出该矢量的首尾坐标，设矢量的首坐标为/>
Figure SMS_120
，尾坐标为/>
Figure SMS_121
，则位移矢量的正弦值为：
Figure SMS_122
，
其中
Figure SMS_123
是烟雾运动位移矢量/>
Figure SMS_124
与/>
Figure SMS_125
轴的夹角，由于烟雾的整体运动方向为蒸腾向上，因此烟雾运动位移矢量与/>
Figure SMS_126
轴的夹角范围/>
Figure SMS_127
，分析三帧帧差分后的图像的像素块的位移方向矢量，如果/>
Figure SMS_128
，则为符合烟雾规律的运动物体，如果/>
Figure SMS_129
，则为能过滤掉大部分运动的干扰物；
S6，小烟雾目标识别：构建集成轻量化卷积注意力模块和增加小目标检测层的改进的YOLOv5s模型实现小烟雾目标识别，改进的YOLOv5s模型以一阶段的YOLOv5s为基准模型进行改进，改进的YOLOv5s模型包括输入、主干网络、颈部网络和预测头四个部分组成，输入部分使用大小640×640的烟雾视频帧序列，并利用K-means++聚类算法重新获取更符合烟雾尺寸的锚框；主干网络采用CSP-Darknent53，包括CBS(Conv+BN+SiLu，卷积+批量归一化+ SiLu激活)、C3-CBAM、SPPF（空间金字塔池化）结构，其中C3-CBAM由CSP1_X中加入轻量化的卷积注意力模块（CBAM）组成，主干网络实现特征提取，从输入图像中提取丰富的信息特征，并利用空间金字塔池化(SPPF)增大感受野；颈部网络和预测头部分增加小目标检测层，由基础模型的三个预测头变为四个，改进的YOLOv5s模型将回归损失函数（CIOU_Loss）做目标检测边界框（Bounding box）的定位损失函数，函数公式如下：
Figure SMS_130
，
其中，
Figure SMS_131
为回归损失函数，IOU是任意两个锚框的交并比，A，B表示任意两个锚框，找到一个最小的锚框C把A，B包含在内，/>
Figure SMS_132
代表锚框总面积，通过改进的YOLOv5s模型得到烟雾目标类别的置信度得分；
S7，输出检测结果：将含有符合烟雾运动特征的预处理图像作为输出，利用S6提出的网络模型对图像进行检测，根据烟雾目标的置信度得分是否大于所设定的阈值，输出烟雾检测结果，包括烟雾目标框坐标、分类标签和置信度得分。
本实施例提出的烟雾检测方法解决了复杂场景下的动态烟雾检测问题，适用于背景复杂、遮挡严重、目标模糊等场景下；提出的基于像素块的运动方向判别算法是一个物体运动方向判别的通用模型，可以适用在多种场景下，复杂度低，实时性强；未详细说明的模型、算法均为本领域通用技术。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种烟雾检测方法，其特征在于，具体包括如下步骤：
S1，收集待检测的烟雾视频，并对烟雾视频进行分帧处理得到图像数据，再采用中值滤波对图像数据进行降噪处理，得到预处理图像集；
S2，通过改进的三帧帧间差分法对预处理图像集中的图像进行处理，得到二值化的运动目标区域图像；
S3，分析前后连续帧的二值化运动目标图像，对二值化图像进行分块并进行坐标标记，得到分块标记坐标化的二值化图像；
S4，基于分块标记坐标化的二值化图像，根据基于像素块的运动目标运动方向判别方法计算出烟雾运动位移矢量；
S5，根据步骤S4得到的烟雾运动位移矢量，判断烟雾运动位移矢量与地面的夹角，排除不符合烟雾运动特征的物体；
S6，利用K-means++聚类算法重新获取更符合烟雾尺寸的锚框，构建集成轻量化卷积注意力模块和增加小目标检测层的改进的YOLOv5s模型；
S7，将含有符合烟雾运动特征的预处理图像作为输入，利用S6提出的改进的YOLOv5s模型对图像进行检测，输出烟雾检测结果。
2.根据权利要求1所述烟雾检测方法，其特征在于，步骤S2所述改进的三帧帧间差分法对时间上连续的两帧或三帧图像进行差分运算，将不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现运动目标的运动区域检测功能，设连续三帧图像的编号分别为
Figure QLYQS_3
，/>
Figure QLYQS_7
，/>
Figure QLYQS_9
，/>
Figure QLYQS_2
，/>
Figure QLYQS_5
，/>
Figure QLYQS_8
分别表示第/>
Figure QLYQS_11
帧、第/>
Figure QLYQS_1
帧和第/>
Figure QLYQS_6
帧图像中坐标为/>
Figure QLYQS_10
的像素灰度化后的值，/>
Figure QLYQS_12
为差分操作后坐标为/>
Figure QLYQS_4
的灰度值，改进的三帧帧间差分法具体步骤如下：
（1）第
Figure QLYQS_13
帧和第/>
Figure QLYQS_14
帧图像做“差分”操作，得到差分图像/>
Figure QLYQS_15
，
Figure QLYQS_16
，
（2）第
Figure QLYQS_17
帧和第/>
Figure QLYQS_18
帧图像做“差分”操作，得到差分图像/>
Figure QLYQS_19
，
Figure QLYQS_20
，
（3）
Figure QLYQS_21
和/>
Figure QLYQS_22
进行逻辑“与”操作，得到结果图像/>
Figure QLYQS_23
，
Figure QLYQS_24
，
（4）
Figure QLYQS_25
和/>
Figure QLYQS_26
进行逻辑“异或”操作，得到结果图像/>
Figure QLYQS_27
，
Figure QLYQS_28
，
（5）
Figure QLYQS_29
和/>
Figure QLYQS_30
进行逻辑“与”操作，得到检测结果图像/>
Figure QLYQS_31
，
Figure QLYQS_32
。
3.根据权利要求2所述烟雾检测方法，其特征在于，步骤S3所述二值化图像的尺寸为640×640，按照64×64的像素块对划分100个像素块，并将最左下角的像素块标记为坐标的原点。
4.根据权利要求3所述烟雾检测方法，其特征在于，步骤S4计算运动方向位移矢量的具体过程为：设
Figure QLYQS_38
表示第/>
Figure QLYQS_34
帧图像的第/>
Figure QLYQS_39
个像素块质心的坐标，/>
Figure QLYQS_37
表示第/>
Figure QLYQS_44
帧图像的第/>
Figure QLYQS_48
个像素块质心的坐标，/>
Figure QLYQS_52
；同时设/>
Figure QLYQS_43
表示质心坐标为
Figure QLYQS_46
的像素块含有运动目标，设/>
Figure QLYQS_33
表示质心坐标为/>
Figure QLYQS_41
的像素块没有运动目标,则第/>
Figure QLYQS_36
帧图像的整体运动目标的运动位置矢量为/>
Figure QLYQS_42
，其中/>
Figure QLYQS_45
；第/>
Figure QLYQS_50
帧图像的整体运动目标的运动位置矢量为/>
Figure QLYQS_47
，其中
Figure QLYQS_51
；则第/>
Figure QLYQS_49
帧和第/>
Figure QLYQS_53
帧图像整体的烟雾运动位移矢量/>
Figure QLYQS_35
表示为：/>
Figure QLYQS_40
。
5.根据权利要求4所述烟雾检测方法，其特征在于，步骤S5的具体过程为：根据步骤S4得到的烟雾运动位移矢量
Figure QLYQS_54
，得出该矢量的首尾坐标，设矢量的首坐标为/>
Figure QLYQS_55
，尾坐标为/>
Figure QLYQS_56
，则位移矢量的正弦值为：
Figure QLYQS_57
，
其中
Figure QLYQS_58
是烟雾运动位移矢量/>
Figure QLYQS_59
与/>
Figure QLYQS_60
轴的夹角，/>
Figure QLYQS_61
，如果/>
Figure QLYQS_62
，则为符合烟雾规律的运动物体，如果/>
Figure QLYQS_63
，则为能过滤掉大部分运动的干扰物。
6.根据权利要求5所述烟雾检测方法，其特征在于，步骤S6所述改进的YOLOv5s模型以一阶段的YOLOv5s为基准模型进行改进，改进的YOLOv5s模型包括输入、主干网络、颈部网络和预测头四个部分组成，输入部分使用大小640×640的烟雾视频帧序列，并利用K-means++聚类算法重新获取更符合烟雾尺寸的锚框；主干网络采用CSP-Darknent53，CSP-Darknent53包括CBS、C3-CBAM、SPPF结构，其中C3-CBAM由CSP1_X中加入轻量化的卷积注意力模块组成，主干网络实现特征提取，从输入图像中提取丰富的信息特征，并利用空间金字塔池化增大感受野；颈部网络和预测头部分增加小目标检测层，由基础模型的三个预测头变为四个，改进的YOLOv5s模型将回归损失函数做目标检测边界框的定位损失函数，函数公式如下：
Figure QLYQS_64
，
其中，IOU是任意两个锚框的交并比，A，B表示任意两个锚框，找到一个最小的锚框C把A，B包含在内，
Figure QLYQS_65
代表锚框总面积，通过改进的YOLOv5s模型得到烟雾目标类别的置信度得分。/>
CN202310402193.2A 2023-04-17 2023-04-17 一种烟雾检测方法 Pending CN116152720A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310402193.2A CN116152720A (zh) 2023-04-17 2023-04-17 一种烟雾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310402193.2A CN116152720A (zh) 2023-04-17 2023-04-17 一种烟雾检测方法

Publications (1)

Publication Number Publication Date
CN116152720A true CN116152720A (zh) 2023-05-23

Family

ID=86358471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310402193.2A Pending CN116152720A (zh) 2023-04-17 2023-04-17 一种烟雾检测方法

Country Status (1)

Country Link
CN (1) CN116152720A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050480A (zh) * 2014-05-21 2014-09-17 燕山大学 基于计算机视觉的吸烟烟雾检测方法
CN114330503A (zh) * 2021-12-06 2022-04-12 北京无线电计量测试研究所 一种烟雾火焰识别方法和装置
CN115187921A (zh) * 2022-05-13 2022-10-14 华南理工大学 一种基于改进YOLOv3的输电通道烟雾检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050480A (zh) * 2014-05-21 2014-09-17 燕山大学 基于计算机视觉的吸烟烟雾检测方法
CN114330503A (zh) * 2021-12-06 2022-04-12 北京无线电计量测试研究所 一种烟雾火焰识别方法和装置
CN115187921A (zh) * 2022-05-13 2022-10-14 华南理工大学 一种基于改进YOLOv3的输电通道烟雾检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
凌滨 等: "基于复小波光流法和利用平均算子的二次三帧差法的运动目标检测方法", 《青岛科技大学学报》, vol. 37, no. 06, pages 693 - 700 *
唐小垚: "基于深度学习的公路隧道火灾检测研究", 《中国优秀硕士学位论文全文数据库》, vol. 2023, no. 03, pages 034 - 538 *
柴文: "基于机器视觉的火灾检测与识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, vol. 2021, no. 06, pages 026 - 13 *

Similar Documents

Publication Publication Date Title
CN102663743B (zh) 一种复杂场景中多摄影机协同的人物追踪方法
CN107437318B (zh) 一种可见光智能识别算法
CN106600625A (zh) 检测小型生物的图像处理方法及装置
CN103093198B (zh) 一种人群密度监测方法及装置
CN109460719A (zh) 一种电力作业安全识别方法
CN110929593A (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN103605983A (zh) 一种遗留物检测和跟踪方法
CN112733914B (zh) 一种基于支持向量机的水下目标视觉识别分类方法
CN112906550B (zh) 一种基于分水岭变换的静态手势识别方法
CN111179318B (zh) 基于双流法的复杂背景运动小目标检测方法
CN114202646A (zh) 一种基于深度学习的红外图像吸烟检测方法与系统
CN108830161B (zh) 基于视频流数据的烟雾识别方法
CN116259002A (zh) 一种基于视频的人体危险行为分析方法
Liang et al. Methods of moving target detection and behavior recognition in intelligent vision monitoring.
CN114885119A (zh) 一种基于计算机视觉的智能监控报警系统及方法
CN113435278A (zh) 一种基于yolo的行吊安全检测方法及系统
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测系统
CN107704818A (zh) 一种基于视频图像的火灾检测系统
CN107274374A (zh) 一种基于计算机视觉技术的烟雾监测方法
CN117475353A (zh) 基于视频的异常烟雾识别方法及系统
CN111274872B (zh) 基于模板匹配的视频监控动态不规则多监管区域判别方法
CN116152720A (zh) 一种烟雾检测方法
CN110796008A (zh) 一种基于视频图像的早期火灾检测方法
CN113807467A (zh) 一种基于光学图像和红外图像融合分析的森林防火监测方法
CN106339666A (zh) 一种人体目标的夜间监控方法

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: 20230523

RJ01 Rejection of invention patent application after publication