CN116245880A - 基于红外识别的电动车充电桩火灾风险检测方法 - Google Patents
基于红外识别的电动车充电桩火灾风险检测方法 Download PDFInfo
- Publication number
- CN116245880A CN116245880A CN202310511430.9A CN202310511430A CN116245880A CN 116245880 A CN116245880 A CN 116245880A CN 202310511430 A CN202310511430 A CN 202310511430A CN 116245880 A CN116245880 A CN 116245880A
- Authority
- CN
- China
- Prior art keywords
- enhanced
- image
- value
- dynamic range
- infrared image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000012937 correction Methods 0.000 claims description 75
- 238000000034 method Methods 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 91
- 230000000694 effects Effects 0.000 description 26
- 230000008859 change Effects 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Abstract
本发明涉及火灾风险检测技术领域,具体涉及一种基于红外识别的电动车充电桩火灾风险检测方法,该方法包括:获取电动车充电桩的待增强红外图像的物体区域和背景区域;根据物体区域与背景区域之间像素值的差异得到物体区域的平均差异程度,获得初始动态范围,对初始动态范围进行修正得到修正动态范围;获得第一增强图像;根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度,根据第一增强图像得到修正动态范围的评价值;获得最优动态范围,利用最优动态范围得到增强红外图像;根据增强红外图像获得电动车充电桩火灾风险预警结果。本发明提高了增强后图像的质量,进而提高了电动车充电桩火灾风险检测的准确度。
Description
技术领域
本发明涉及火灾风险检测技术领域,具体涉及一种基于红外识别的电动车充电桩火灾风险检测方法。
背景技术
通过红外图像对电动车充电桩火灾风险进行风险检测的意义重大。但是,红外图像往往会受到随机噪声的影响,与可见光图像相比,普遍存在对比度低、信噪比低以及边缘易模糊等问题,因此,在对电动车充电桩进行火灾风险检测前,需要对电动车充电桩的红外图像进行增强。
常采用直方图均衡化的方法对红外图像进行增强,直方图均衡化是通过将红外图像的像素值范围映射到更大的像素值范围内以实现图像增强的目的。但是,映射后获得的像素值范围过小,对红外图像的对比度提高效果较差,映射后获得的像素值范围过大,可能会出现过增强的现象,丢失图像内的细节信息。因此,现有的方法对红外图像进行增强的效果较差,进而导致获得的电动车充电桩火灾风险检测结果较不准确。
发明内容
为了解决电动车充电桩火灾风险检测结果较不准确的技术问题,本发明的目的在于提供一种基于红外识别的电动车充电桩火灾风险检测方法,所采用的技术方案具体如下:
获取电动车充电桩的待增强红外图像,对待增强红外图像进行区域划分得到物体区域和背景区域;
根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度,根据待增强红外图像中的灰度值范围获得初始动态范围,利用平均差异程度对初始动态范围进行修正得到修正动态范围;
根据修正动态范围对待增强红外图像进行直方图均衡化得到第一增强图像;根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度,根据第一增强图像的像素值特征和纹理丢失度得到修正动态范围的评价值;
根据修正动态范围的评价值判断是否对初始动态范围进行修正,获得最优动态范围,利用最优动态范围对待增强红外图像进行直方图均衡化得到增强红外图像;根据增强红外图像获得电动车充电桩火灾风险预警结果。
优选地,所述根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度具体为:
对于任意一个物体区域,将像素值最大的像素点记为中心像素点,获取中心像素点与物体区域的边缘像素点之间的连线线段,所述连线线段之间的夹角角度相等;
对于任意一个连线线段,将连线线段上任意一个像素点记为选定像素点,计算选定像素点在连线线段上与其相邻的像素点之间的像素值的差值绝对值,得到选定像素点的像素差值;
在背景区域中获取与连线线段平行的匹配线段,计算连线线段与匹配线段每一个对应位置的像素点的像素值之间的差值绝对值,并计算连线线段与匹配线段每一个对应位置的像素点的像素差值之间的差值绝对值,将两个差值绝对值的乘积记为每一个对应位置的特征乘积,计算连线线段与匹配线段上所有对应位置的特征乘积之和得到特征和值,根据特征和值得到连线线段的差异程度;所述特征和值与差异程度呈正相关关系;
计算物体区域中所有连线线段的差异程度的均值得到物体区域的相对差异程度,计算待增强红外图像中所有物体区域的相对差异程度的均值得到待增强红外图像中物体区域的平均差异程度。
优选地,所述利用平均差异程度对初始动态范围进行修正得到修正动态范围具体为:
对平均差异程度进行归一化处理得到第一修正权重,计算第一预设值与第一修正权重的差值得到第二修正权重;
计算第一修正权重与初始动态范围的下限值的乘积,得到修正动态范围的下限值;
计算第二修正权重与初始动态范围的上限值的乘积,得到修正动态范围的上限值。
优选地,所述根据第一增强图像的像素值特征和纹理丢失度得到初始动态范围的评价值具体为:
对第一增强图像进行区域的划分得到第一物体区域和第一背景区域;根据第一物体区域和第一背景区域之间像素值的差异得到第一增强图像对应的平均差异程度;
将第一背景区域内任意一个像素点记为目标像素点,在目标像素点的邻域内,将与目标像素点的像素值存在差异的邻域像素点的数量记为目标像素点的特征数量;计算第一背景区域内所有像素点的特征数量的均值,并计算第一背景区域内所有像素点的像素值的均值与最大像素值之间的比值,将特征数量的均值与比值的乘积作为第一增强图像的第一必要系数;
以第一增强图像对应的平均差异程度的负相关映射值与第一必要系数的乘积作为第一增强图像的增强必要程度;
计算第一增强图像的增强必要程度与纹理丢失度的乘积与第二预设值的和值,将第一增强图像对应的平均差异程度与和值之间的比值作为初始动态范围的评价值。
优选地,所述根据修正动态范围的评价值判断是否对初始动态范围进行修正,获得最优动态范围具体为:
当修正动态范围的评价值大于或等于预设的评价阈值时,不对初始动态范围进行修正,将修正动态范围作为最优动态范围;
当修正动态范围的评价值小于预设的评价阈值时,对初始动态范围进行第二次修正;
所述第二次修正的具体过程为:
利用第一增强图像对应的平均差异程度对初始动态范围进行修正,得到第一修正动态范围;利用第一修正动态范围对待增强红外图像进行直方图均衡化得到第二增强图像;获取第二增强图像的纹理丢失度,根据第二增强图像的像素值特征和纹理丢失度得到第一修正动态范围的评价值;
当第二次修正后得到第一修正动态范围的评价值大于或等于预设的评价阈值时,不对初始动态范围进行修正,将第一修正动态范围作为最优动态范围;
当第二次修正后得到第一修正动态范围的评价值小于预设的评价阈值时,对初始动态范围进行第三次修正,以此类推,直到动态范围的评价值大于或等于预设的评价阈值时或者直到修正次数达到次数阈值时停止。
优选地,所述根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度具体为:
获取待增强红外图像中每个物体区域的图像熵,并获取第一增强图像中每个第一物体区域的图像熵;
根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异,得到第一增强图像的纹理丢失度。
优选地,所述根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异,得到第一增强图像的纹理丢失度,具体包括:
对于待增强红外图像中任意一个物体区域,将物体区域内每个像素点在第一增强图像中对应位置处的像素点记为匹配像素点;
若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异大于数量阈值,则将对应的第一物体区域与物体区域记为匹配区域对;
若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异小于或等于数量阈值,则将所有匹配像素点构成的区域与物体区域记为匹配区域对;
对于任意一个匹配区域对,计算匹配区域对中两个区域的图像熵的差值绝对值;
将所有匹配区域对的图像熵的差值绝对值之和作为第一增强图像的纹理丢失度。
优选地,所述获取电动车充电桩的待增强红外图像具体为:
获取电动车充电桩的初始红外图像,对初始红外图像进行区域划分得到待分析物体区域和待分析背景区域;
根据待分析背景区域内像素值的差异情况得到初始红外图像的第一必要系数,根据待分析物体区域和待分析背景区域之间像素值的差异得到初始红外图像对应的平均差异程度;
以初始红外图像对应的平均差异程度与第一必要系数的乘积作为初始红外图像的增强必要程度;根据初始红外图像的增强必要程度筛选出待增强红外图像。
优选地,所述根据初始红外图像的增强必要程度筛选出待增强红外图像具体为:
将增强必要程度大于或等于预设的程度阈值对应的初始红外图像记为待增强红外图像。
优选地,所述根据增强红外图像获得电动车充电桩火灾风险预警结果具体为:
对增强红外图像进行边缘检测得到温度异常区域,获取所有温度异常区域的总面积;
获取增强红外图像中所有像素点的像素值的最大值,计算像素值的最大值与最大像素值的比值;将该比值与温度异常区域的总面积之间的乘积记为增强红外图像的火灾风险指标;
当火灾风险指标的归一化值大于或等于预设的风险阈值时,对电动车充电桩进行火灾风险预警。
本发明实施例至少具有如下有益效果:
本发明首先对待增强红外图像进行区域划分得到物体区域和背景区域,即将待增强红外图像中的充电桩部分以及电动车部分分割出来,进而能够分别物体区域与背景区域进行分析,使得结果更加准确。根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度,利用平均差异程度反映物体区域与背景区域之间像素值的差异情况,进而能够表征待增强图像中物体区域与背景区域之间的对比度大小。然后,利用平均差异程度对初始动态范围进行修正得到修正动态范围,利用平均差异程度能够自适应的获取比初始动态范围的像素值范围更大的修正动态范围。进一步的,获取修正动态范围对应的增强后的第一增强图像,通过对比待增强红外图像和第一增强图像,能够获得第一增强图像的纹理丢失度,纹理丢失度反映了第一增强图像相比待增强图像的细节纹理信息的变化程度,进而获得修正动态范围的评价值,考虑了第一增强图像中细节纹理信息的变化程度以及图像中的像素值信息,获取第一增强图像对应的增强效果评价,以及第一增强图像对应的修正动态范围对应的效果评价,基于评价值自适应获取具有最优增强效果的像素值动态范围,即最优动态范围,以最优的像素值动态范围对待增强红外图像进行直方图均衡化处理,在提高图像对比度的同时减少了细节纹理信息的丢失,提高了增强后图像的质量,进而提高了电动车充电桩火灾风险检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明的一种基于红外识别的电动车充电桩火灾风险检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于红外识别的电动车充电桩火灾风险检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于红外识别的电动车充电桩火灾风险检测方法的具体方案。
实施例:
本发明所针对的具体场景为:当电动车在充电桩进行充电时,如果充电桩或者电动车电瓶出现问题,则极易引发火灾,故需要利用红外图像对电动车充电桩进行火灾风险检测,而红外图像往往存在着对比度低、信噪比低、细节纹理较弱以及边缘易模糊等问题,因此,在对电动车充电桩进行火灾风险检测前,需要对电动车充电桩的红外图像进行增强。
请参阅图1,其示出了本发明一个实施例提供的一种基于红外识别的电动车充电桩火灾风险检测方法的方法流程图,该方法包括以下步骤:
步骤一,获取电动车充电桩的待增强红外图像,对待增强红外图像进行区域划分得到物体区域和背景区域。
获取电动车充电桩的初始红外图像,对初始红外图像进行筛选获得需要进行增强的初始红外图像,并记为待增强红外图像。其中,在本实施例中涉及的所有红外图像是红外成像设备采集目标在红外波段的辐射形成的影像,这个图像可以是灰度图像,也可以彩色图像。需要说明的是,在本实施例中涉及的所有红外图像为灰度图像。
在本实施例中,待增强红外图像的获取方法具体为:
对初始红外图像进行区域划分得到待分析物体区域和待分析背景区域;根据待分析背景区域内像素值的差异情况得到初始红外图像的第一必要系数,根据待分析物体区域和待分析背景区域之间像素值的差异得到初始红外图像对应的平均差异程度;以初始红外图像对应的平均差异程度与第一必要系数的乘积作为初始红外图像的增强必要程度;根据初始红外图像的增强必要程度筛选出待增强红外图像。
需要说明的是,在电动车充电桩发生火灾的初期,往往是电动车与充电桩的充电线的温度会逐渐上升。而温度又具有传导性,即当某一物体的温度高于其周围其他物体的温度时,热量会从高温物体传导至低温物体。在这一过程中电动车充电桩的初始红外图像中像素点的像素值会不断发生变化,初始红外图像中物体的相关性被破坏,即对于同一个物体区域,在该物体的周围环境温度相近,对应的在红外图像中该物体区域的像素值相近。基于此,本发明实施例通过初始红外图像中像素点的像素值变化特征获取表征初始红外图像进行增强的必要性。基于初始红外图像的增强必要程度筛选出需要进行增强的初始红外图像,可以有效减少计算量提高检测效率。
首先,需要对初始红外图像进行区域的划分得到待分析物体区域和待分析背景区域,其中,待分析物体区域为充电桩、电动车或者充电线所在区域,待分析背景区域为除物体区域外的背景区域。基于区域对图像进行分割的方法存在多种,且均为公知技术,实施者可根据具体实施场景进行选择。在本实施例中,采用种子区域生长法对初始红外图像进行区域的划分。
具体地,对于任意一张初始红外图像,将初始红外图像中像素值出现的频率最大的像素值对应的像素点作为初始种子点,生长规则为,若初始种子点的8邻域内像素点的像素值与初始种子点的像素值之间的差异小于像素值阈值时,则进行生长,否则不进行生长,则可根据区域生长法获得待分析物体区域,将初始红外图像中除了待分析物体区域外的其他部分构成的区域记为待分析背景区域。其中,在本实施例中,像素值阈值的取值为5,实施者可根据具体实施场景进行设置。
然后,对待分析背景区域内像素点的像素值变化情况进行分析,若待分析背景区域内像素点的像素值存在较大差异,则说明该像素点局部温度可能受到充电桩处热量的干扰,该初始红外图像出现温度异常的可能性越大。
将待分析背景区域内任意一个像素点记为第一像素点,在第一像素点的8邻域内,将与第一像素点的像素值存在差异的邻域像素点的数量记为第一像素点的特征数量,例如,对于第一像素点的8邻域内8个邻域像素点,获取邻域像素点的像素值与第一像素点的像素值不同的数量,即有5个,则第一像素点的特征数量为5。
计算待分析背景区域内所有像素点的特征数量的均值,并计算待分析背景区域内所有像素点的像素值的均值与最大像素值之间的比值,将特征数量的均值与比值的乘积作为初始红外图像的第一必要系数。其中,最大像素值的取值为255。
具体地,在本实施例中,以初始红外图像R为例进行说明,将初始红外图像R的待分析背景区域内第i个像素点作为第一像素点,则初始红外图像的第一必要系数的计算公式具体为:
其中,表示初始红外图像R的第一必要系数,表示初始红外图像R的待分析背
景区域内所有像素点的像素值的均值,255为最大像素值,表示初始红外图像R的待分析
背景区域内所有像素点的总数量,表示初始红外图像R的待分析背景区域内第i个像素
点的特征数量。
表示初始红外图像R的待分析背景区域内所有像素点的特征数量的
均值,像素点的特征数量表征了在该像素点周围发生局部像素值变化的次数,特征数量的
均值取值越大,说明在当前环境下待分析背景区域受外界的干扰导致温度波动较大。
反映了待分析背景区域内像素点的像素值均值的占比情况,红外图像中像素点
的像素值反映了在该像素点位置处的温度高低情况,当像素值均值的占比取值越大时,说
明待分析背景区域内像素点的总体温度较高,对应的初始红外图像出现温度异常的可能性
越大,进而越需要对该初始红外图像进行增强,以便进行后续的风险检测。
第一必要系数从待分析背景区域的像素值变化方面反映了对初始红外图像进行增强的必要性大小,第一必要系数的取值越大,说明初始红外图像中存在温度异常的可能性越大,对初始红外图像进行增强的必要性越大。第一必要系数的取值越小,说明初始红外图像中存在温度异常的可能性越小,对初始红外图像进行增强的必要性越小。
进一步的,对初始红外图像中待分析物体区域与待分析背景区域之间的像素值差异进行分析,初始红外图像中的待分析物体区域为充电桩或者电动车所在的区域,先对待分析物体区域内像素点的像素值变化特征进行分析,当待分析物体区域内像素点的像素值出现较大的变化时,说明该待分析物体区域内可能存在温度异常情况。进一步的,对待分析物体区域与待分析背景区域之间的像素值差异,当两者之间的像素值差异较大时,说明两者之间的对比度越大,对该初始红外图像进行异常区域检测的效果越好,对应图像需要进行增强的必要性越小。
基于此,对于任意一个待分析物体区域,将像素值最大的像素点记为中心像素点,获取中心像素点与待分析物体区域的边缘像素点之间的连线线段,所述连线线段之间的夹角角度相等。其中,中心像素点表征了待分析物体区域内温度最高的像素点,并对温度最高的像素点到该待分析物体区域的边缘之间的连线上,像素点之间的像素值差异情况进行分析,能够获取待分析无图区域内温度变化情况。同时,在本实施例中,将获取的连线线段数量设置为20,即将连线线段之间的夹角角度设置为18°,实施者可根据具体实施场景进行设置。
进一步对待分析物体区域内连线线段上像素点之间像素值的差异情况进行分析,即对于任意一个连线线段,将连线线段上任意一个像素点记为第二像素点,计算第二像素点在连线线段上与其相邻的像素点之间的像素值的差值绝对值,得到第二像素点的像素差值。在待分析背景区域中获取与连线线段平行的匹配线段,计算连线线段与匹配线段每一个对应位置的像素点的像素值之间的差值绝对值,并计算连线线段与匹配线段每一个对应位置的像素点的像素差值之间的差值绝对值,将两个差值绝对值的乘积记为每一个对应位置的特征乘积,计算连线线段与匹配线段上所有对应位置的特征乘积之和得到特征和值,根据特征和值得到连线线段的差异程度;所述特征和值与差异程度呈正相关关系。
其中,需要说明的是,在待分析背景区域中存在较多与连线线段平行的线段,在本实施例中,将待分析背景区域中与连线线段距离最近的平行线段作为该连线线段的匹配线段,若距离最近的平行线段存在多条,则将任意一条距离最近的平行线段作为连线线段的匹配线段,实施者也可根据具体实施场景进行设置。
在本实施例中,以待分析物体区域内的连线线段A为例进行说明,将连线线段A上的第j个像素点作为第二像素点,则连线线段A的差异程度的计算公式具体为:
其中,表示连线线段A的差异程度,表示连线线段A上第j个像素点的像素
值,表示连线线段A对应的匹配线段上第j个像素点的像素值,表示连线线段A上第j
个像素点的像素差异,表示连线线段A对应的匹配线段上第j个像素点的像素差异,表
示连线线段A上包含的像素点数量,exp( )表示以自然常数e为底的指数函数。
表示连线线段A和其对应的匹配线段在对应位置处的像素差异之间的
差异,像素差异之间的差异越大,说明待分析物体区域中的连线线段与待分析背景区域的
匹配线段之间的差异越大,对应的连线线段的差异程度取值越大,说明待分析物体区域与
待分析背景区域之间的对比度越大。
待分析物体区域内连线线段的差异程度反映了在待分析物体区域内的连线线段上像素值变化情况与待分析背景区域中的差异情况,进一步的,由于待分析物体区域中包含了多条连线线段,同时初始红外图像中有包含了多个待分析物体区域,为了获取待分析物体区域整体与待分析背景区域之间的像素值变化情况的差异情况,计算待分析物体区域中所有连线线段的差异程度的均值得到待分析物体区域的相对差异程度,计算初始红外图像中所有待分析物体区域的相对差异程度的均值得到初始红外图像中待分析物体区域的平均差异程度。
待分析物体区域的相对差异程度反映了一个待分析物体区域中像素值的变化情况与待分析背景区域之间的差异情况,进而初始红外图像中待分析物体区域的平均差异程度反映了初始红外图像中待分析物体区域整体与待分析背景区域之间像素值变化的差异情况。平均差异程度取值越大时,说明初始红外图像中待分析物体区域与待分析背景区域之间的差异较大,进而说明待分析物体区域与待分析背景区域之间的对比度越大,对应的对初始红外图像进行风险区域的分析效果越好,进而对该初始红外图像进行增强的必要性越小。
基于此,以初始红外图像对应的平均差异程度的负相关映射值与初始红外图像对应的第一必要系数的乘积作为初始红外图像的增强必要程度,用公式表示为:
第一必要系数的取值越大,说明初始红外图像中存在温度异常的可能性越大,对初始红外图像进行增强的必要性越大。平均差异程度取值越大时,说明初始红外图像中待分析物体区域与待分析背景区域之间的差异较大,进而说明待分析物体区域与待分析背景区域之间的对比度越大,对应的对初始红外图像进行风险区域的分析效果越好,进而对该初始红外图像进行增强的必要性越小。
最后,对所有采集到的初始红外图像进行分析,基于初始红外图像的增强必要程度对所有初始红外图像进行筛选,获取需要进行增强处理的初始红外图像,具体地,将增强必要程度大于或等于预设的程度阈值对应的初始红外图像记为待增强红外图像。在本实施例中,程度阈值的取值为0.8,实施者可根据具体实施场景进行设置。当初始红外图像的增强必要程度大于或等于0.8时,说明初始红外图像中两种类型的区域之间的对比度较低,同时可能存在温度异常的情况,需要对该图像进行增强后进一步分析其存在火灾风险的可能。
为了后续对待增强红外图像进行增强情况的分析,需要对待增强红外图像进行区域划分得到物体区域和背景区域。
在本实施例中,由于待增强红外图像是增强必要程度大于或等于程度阈值的初始红外图像,而在本实施例中已经对初始红外图像进行了区域的划分,故可以将待增强红外图像中对应的待分析物体区域记为待增强红外图像中的物体区域,将待增强红外图像中的待分析背景区域记为待增强红外图像中的背景区域。在其他实施例中,实施者可根据具体实施场景选择合适的方法对图像进行区域的划分,同时对图像进行区域划分的方法为公知技术,在此不再过多介绍。
步骤二,根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度,根据待增强红外图像中的灰度值范围获得初始动态范围,利用平均差异程度对初始动态范围进行修正得到修正动态范围。
首先,根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度,具体地,对于任意一个物体区域,将像素值最大的像素点记为中心像素点,获取中心像素点与物体区域的边缘像素点之间的连线线段,所述连线线段之间的夹角角度相等;对于任意一个连线线段,将连线线段上任意一个像素点记为选定像素点,计算选定像素点在连线线段上与其相邻的像素点之间的像素值的差值绝对值,得到选定像素点的像素差值;在背景区域中获取与连线线段平行的匹配线段,计算连线线段与匹配线段每一个对应位置的像素点的像素值之间的差值绝对值,并计算连线线段与匹配线段每一个对应位置的像素点的像素差值之间的差值绝对值,将两个差值绝对值的乘积记为每一个对应位置的特征乘积,计算连线线段与匹配线段上所有对应位置的特征乘积之和得到特征和值,根据特征和值得到连线线段的差异程度;所述特征和值与差异程度呈正相关关系;计算物体区域中所有连线线段的差异程度的均值得到物体区域的相对差异程度,计算待增强红外图像中所有物体区域的相对差异程度的均值得到待增强红外图像中物体区域的平均差异程度。
需要说明的是,平均差异程度的计算方法在步骤一中已经详细介绍,在此不再过多赘述。待增强红外图像中物体区域的平均差异程度反映了待增强红外图像中物体区域整体与背景区域之间像素值变化的差异情况。
直方图均衡化是对图像中数量较多的像素值进行展宽,对数量较少的像素值就能写归并,从而增大图像中不同区域之间的对比度,使得图像更加清晰,达到对图像进行增强的目的。基于此,利用直方图均衡化对待增强红外图像进行增强处理时,可以将待增强红外图像中所有像素点的像素值取值范围通过映射函数映射到更大的像素值取值范围内以完成图像增强操作,提高待增强图像中不同区域之间的对比度。其中,映射后图像的像素值取值范围过小,对应的待增强红外图像的对比度的提高效果较差,映射后图像的像素值取值范围过大,可能会出现过增强的现象,丢失待增强红外图像的细节信息。因此,需要对待增强红外图像进行分析,获取最优的映射后的像素值取值范围。
基于此,根据待增强红外图像中的灰度值范围获得初始动态范围,利用平均差异程度对初始动态范围进行修正得到修正动态范围,具体地,对平均差异程度进行归一化处理得到第一修正权重,计算第一预设值与第一修正权重的差值得到第二修正权重;计算第一修正权重与初始动态范围是下限值的乘积,得到修正动态范围的下限值;计算第二修正权重与初始动态范围的上限值的乘积,得到修正动态范围的上限值。
在本实施例中,以待增强红外图像W为例进行说明,修正动态范围的下限值和上限值的计算公式具体可以表示为:
其中,表示待增强红外图像W对应的修正动态范围的下限值,表示待
增强红外图像W对应的初始动态范围的下限值,表示待增强红外图像W对应的第一修正
权重,表示待增强红外图像W对应的修正动态范围的上限值,表示待增强红外
图像W对应的初始动态范围的上限值。在本实施例中,第一预设值的取值为2。
需要说明的是,在本实施例中,采用最大值最小值归一化的方法对待增强红外图
像对应的平均差异程度进行归一化处理,实施者可根据具体实施场景进行选择。进一步的,
待增强红外图像的初始动态范围可以表示为,待增强红外图像的修正动态
范围可以表示为。
为了使得后续利用修正动态范围对待增强红外图像进行增强处理的效果较好,修正动态范围的下限值与初始动态范围的下限值相比较小,修正动态范围的上限值与初始动态范围的上限值相比较大。故待增强红外图像对应的第一修正权重取值越小,待增强红外图像中物体区域与背景区域之间像素值变化的差异越小,说明待增强红外图像中对比度越小,相应的利用第一修正权重获得的修正动态范围的下限值越小,对应的修正动态范围的上限值越大。
步骤三,根据修正动态范围对待增强红外图像进行直方图均衡化得到第一增强图像;根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度,根据第一增强图像的像素值特征和纹理丢失度得到修正动态范围的评价值。
首先,基于初步调节的修正动态范围对待增强红外图像进行直方图均衡化处理得到第一增强图像,使得增强后的红外图像中像素值均匀分布在修正动态范围内,其中,对图像进行直方图均衡化处理的方法为公知技术,在此不再过多介绍。
在对待增强图像的初始动态范围进行第一次修正后获得修正动态范围,进而获得对应的第一次增强处理后的图像,即第一增强图像,为了获得最优的图像像素值取值分布范围以及最优效果的增强图像,需要对增强处理后的图像进行分析,获取对应的效果评价值。
然后,对第一增强图像中存在的充电桩或者电动车所在区域与背景部分之间的差异情况进行分析,进而通过对比增强前后两张红外图像之间的像素值差异可以获得增强后的图像中是否丢失了过多的细节信息,即根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度。
具体地,对第一增强图像进行区域的划分得到第一物体区域和第一背景区域;其中,实施者可根据具体实施情况选择合适的方法对第一增强图像进行区域的划分,也可以按照步骤一的区域生长算法进行区域的划分。
获取待增强红外图像中每个物体区域的图像熵,并获取第一增强图像中每个第一物体区域的图像熵;根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异,得到第一增强图像的纹理丢失度。
其中,需要说明的是,图像经过增强后,待增强红外图像中每个物体区域在第一增强图中均可能存在对应的第一物体区域,但是可能由于图像过增强使得图像细节纹理丢失而不存在对应的第一物体区域,故需进一步的分析。
对于待增强红外图像中任意一个物体区域,将物体区域内每个像素点在第一增强图像中对应位置处的像素点记为匹配像素点;若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异大于数量阈值,则将对应的第一物体区域与物体区域记为匹配区域对;若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异小于或等于数量阈值,则将所有匹配像素点构成的区域与物体区域记为匹配区域对。
在本实施例中,数量阈值的取值为待增强红外图像中物体区域包含的像素点总数量的80%,进而当第一增强图像中第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异大于数量阈值时,可以说明物体区域在第一增强图像中对应位置处的区域,与第一物体区域之间的重合面积在80%以上,故可以将该物体区域与第一物体区域记为匹配区域对。当第一增强图像中第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异小于或等于数量阈值时,说明经过增强后的图像细节纹理存在部分丢失,第一增强图像中并不存在物体区域对应的区域部分,故直接对对应位置处的像素点信息进行分析。
对于任意一个匹配区域对,计算匹配区域对中两个区域的图像熵的差值绝对值;将所有匹配区域对的图像熵的差值绝对值之和作为第一增强图像的纹理丢失度。第一增强图像的纹理丢失度反映了第一增强图像中的第一物体区域与待增强红外图像中对应物体区域之间的纹理信息丢失情况。
第一增强图像的纹理丢失度的计算公式可以表示为:
待增强图像中每个物体区域的图像熵反映了物体区域内的纹理信息,同理第一增强图像中每个第一物体区域的图像熵反映了第一物体区域内的纹理信息,当待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异越大时,说明物体区域与第一物体区域之间的纹理信息变化越大,进而说明经过增强后图像的纹理丢失程度越大,即对应的第一增强图像的纹理丢失度取值越大。
进一步的,根据第一物体区域和第一背景区域之间像素值的差异得到第一增强图像对应的平均差异程度。将第一背景区域内任意一个像素点记为目标像素点,在目标像素点的邻域内,将与目标像素点的像素值存在差异的邻域像素点的数量记为目标像素点的特征数量;计算第一背景区域内所有像素点的特征数量的均值,并计算第一背景区域内所有像素点的像素值的均值与最大像素值之间的比值,将特征数量的均值与比值的乘积作为第一增强图像的第一必要系数;以第一增强图像对应的平均差异程度的负相关映射值与第一必要系数的乘积作为第一增强图像的增强必要程度。
需要说明的是,在步骤一中已经详细介绍图像对应的平均差异程度以及增强必要程度的计算方法,在此不再过多介绍。
在获取第一增强图像的纹理丢失度后,对第一增强图像是否需要进行进一步的增强处理进行分析,结合两个方面的分析结果,最终确定对第一增强图像进行增强时使用的修正动态范围的效果评价值。即计算第一增强图像的增强必要程度与纹理丢失度的乘积与第二预设值的和值,将第一增强图像对应的平均差异程度与和值之间的比值作为初始动态范围的评价值,用公式表示为:
其中,表示第一增强图像W1对应的修正动态范围的评价值,表示第一增
强图像W1的平均差异程度,表示第一增强图像W1的增强必要程度,表示第一增强
图像W1的纹理丢失度,ε为第二预设值,在本实施例中的取值为0.01,是为了防止分母为0。
第一增强图像的平均差异程度反映了第一物体区域与第一背景区域之间的像素值变化的差异情况,平均差异程度越大,说明该差异情况越大,对应的第一增强图像的对比度越大,说明增强后的图像中不同区域之间的对比度越大,对第一增强图像进行风险区域分析的效果越好,即对应的评价值越大。
第一增强图像的增强必要程度反映了第一增强图像进行增强的必要性大小,增强必要程度的取值越大,说明第一增强图像需要进行增强的必要性越大,对应的评价值越小。纹理丢失度反映了待增强红外图像与第一增强图像之间纹理信息的丢失情况,纹理丢失度越大,说明第一增强图像的纹理变化越大,对应的评价值越小。
修正动态范围的评价值可以表征修正动作范围对应的效果评价,同时也可以表征利用该修正动态范围对待增强红外图像进行增强处理后的增强效果。即评价值的取值越大,说明图像增强效果越好,评价值越小,说明图像增强效果越差。
步骤四,根据修正动态范围的评价值判断是否对初始动态范围进行修正,获得最优动态范围,利用最优动态范围对待增强红外图像进行直方图均衡化得到增强红外图像;根据增强红外图像获得电动车充电桩火灾风险预警结果。
首先,基于修正动态范围评价值对第一修正后的图像增强效果评价进行分析,判断第一增强图像对应的图像增强效果是否满足需求,若不满足则需继续对待增强红外图像的初始动态范围进行修正。
具体地,当修正动态范围的评价值大于或等于预设的评价阈值时,不对初始动态范围进行修正,将修正动态范围作为最优动态范围;当修正动态范围的评价值小于预设的评价阈值时,对初始动态范围进行第二次修正。
在本实施例中,评价阈值的取值为0.8,实施者可根据具体实施场景进行设置。当修正动态范围的评价值大于或等于0.8时,说明利用修正动态范围对待增强红外图像进行增强处理的效果较好,则不需要再对待增强红外图像进行增强处理,此时修正动态范围即为具有最优增强效果的图像像素值取值范围。当修正动态范围的评价值小于0.8时,说明利用修正动态范围对待增强红外图像进行增强处理的效果较差,则仍需要对待增强红外图像进行增强处理,故需要对待增强红外图像的初始动态范围进行第二次修正。
所述对初始动态范围进行第二次修正的具体过程为:
利用第一增强图像对应的平均差异程度对初始动态范围进行修正,得到第一修正动态范围;利用第一修正动态范围对待增强红外图像进行直方图均衡化得到第二增强图像;获取第二增强图像的纹理丢失度,根据第二增强图像的像素值特征和纹理丢失度得到第一修正动态范围的评价值。
需要说明的是,利用平均差异程度对初始动态范围进行修正的具体步骤在步骤二中已经详细介绍,在此不再过多赘述。同理,按照步骤三的方法步骤,能够获得第一修正动态范围的评价值,可以表征利用第一修正动态范围对待增强红外图像进行增强处理后得到的第二增强图像的增强效果,进而基于第一修正动态范围的评价值和评价阈值进行判断是否需要进行第三次修正。
当第二次修正后得到第一修正动态范围的评价值大于或等于预设的评价阈值时,不对初始动态范围进行修正,将第一修正动态范围作为最优动态范围;当第二次修正后得到第一修正动态范围的评价值小于预设的评价阈值时,对初始动态范围进行第三次修正,以此类推,直到动态范围的评价值大于或等于预设的评价阈值时或者直到修正次数达到次数阈值时停止。在本实施例中,次数阈值的取值为20,实施者可根据具体实施场景进行设置。
需要说明的是,若对待分析图像的初始动态范围进行20次修正后,对应的动态范围的评价值仍小于评价阈值时,将这20次修正过程中,评价值最大值对应的动态范围记为最优哦动态范围。
最后,利用最优动态范围对待增强红外图像进行直方图均衡化得到增强红外图像;根据增强红外图像获得电动车充电桩火灾风险预警结果。
具体地,对增强红外图像进行边缘检测得到温度异常区域,获取所有温度异常区域的总面积;获取增强红外图像对应的待增强红外图像中所有像素点的像素值的最大值,计算像素值的最大值与最大像素值的比值;将该比值与温度异常区域的总面积之间的乘积记为增强红外图像的火灾风险指标用公式表示为:
的取值越大,说明增强红外图像中存在温度异常情况的部分越多,对应的温度
异常区域的面积越大,对应的火灾风险指标取值越大,说明存在火灾风险的可能性越大。表征了增强红外图像K对应的待增强红外图像中温度最高值,该取值越大,说明温度
越高,对应的火灾风险指标的取值越大,火灾发生的风险越大。
对火灾风险指标进行归一化处理,当火灾风险指标的归一化值大于或等于预设的风险阈值时,说明该位置处可能会发生火灾,即需要对电动车充电桩进行火灾风险预警。当火灾风险指标的归一化值小于风险阈值时,说明该位置处可能不会发生火灾,即对应位置处存在火灾风险的可能性较小,不需要对电动车充电桩进行火灾风险预警。
在本实施例中,风险阈值的取值为0.75,实施者可根据具体实施场景进行设置。
综上所述,本发明首先通过对初始红外图像进行分析,获取初始红外图像的增强必要程度,对初始红外图像是否需要进行增强进行判断,筛选出需要进行增强的图像进行进一步的增强处理。不仅可以筛选出可能发生火灾的图像以及充电桩处于工作状态的图像,同时也能够保证筛选出来的图像是对比度较低的图像,无法进行风险区域识别即无法完成温度异常区域检测的图像。对筛选出来的待增强图像进行进一步的增强处理与火灾风险检测,提高了检测效率与检测精度。
进一步的,本发明通过自适应获取具有最优增强效果的像素值动态范围,以最优的像素值动态范围对待增强红外图像进行直方图均衡化处理,在提高图像对比度的同时减少了细节纹理信息的丢失,提高了增强后图像的质量,进而提高了电动车充电桩火灾风险检测的精度。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,该方法包括以下步骤:
获取电动车充电桩的待增强红外图像,对待增强红外图像进行区域划分得到物体区域和背景区域;
根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度,根据待增强红外图像中的灰度值范围获得初始动态范围,利用平均差异程度对初始动态范围进行修正得到修正动态范围;
根据修正动态范围对待增强红外图像进行直方图均衡化得到第一增强图像;根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度,根据第一增强图像的像素值特征和纹理丢失度得到修正动态范围的评价值;
根据修正动态范围的评价值判断是否对初始动态范围进行修正,获得最优动态范围,利用最优动态范围对待增强红外图像进行直方图均衡化得到增强红外图像;根据增强红外图像获得电动车充电桩火灾风险预警结果。
2.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度具体为:
对于任意一个物体区域,将像素值最大的像素点记为中心像素点,获取中心像素点与物体区域的边缘像素点之间的连线线段,所述连线线段之间的夹角角度相等;
对于任意一个连线线段,将连线线段上任意一个像素点记为选定像素点,计算选定像素点在连线线段上与其相邻的像素点之间的像素值的差值绝对值,得到选定像素点的像素差值;
在背景区域中获取与连线线段平行的匹配线段,计算连线线段与匹配线段每一个对应位置的像素点的像素值之间的差值绝对值,并计算连线线段与匹配线段每一个对应位置的像素点的像素差值之间的差值绝对值,将两个差值绝对值的乘积记为每一个对应位置的特征乘积,计算连线线段与匹配线段上所有对应位置的特征乘积之和得到特征和值,根据特征和值得到连线线段的差异程度;所述特征和值与差异程度呈正相关关系;
计算物体区域中所有连线线段的差异程度的均值得到物体区域的相对差异程度,计算待增强红外图像中所有物体区域的相对差异程度的均值得到待增强红外图像中物体区域的平均差异程度。
3.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述利用平均差异程度对初始动态范围进行修正得到修正动态范围具体为:
对平均差异程度进行归一化处理得到第一修正权重,计算第一预设值与第一修正权重的差值得到第二修正权重;
计算第一修正权重与初始动态范围的下限值的乘积,得到修正动态范围的下限值;
计算第二修正权重与初始动态范围的上限值的乘积,得到修正动态范围的上限值。
4.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据第一增强图像的像素值特征和纹理丢失度得到初始动态范围的评价值具体为:
对第一增强图像进行区域的划分得到第一物体区域和第一背景区域;根据第一物体区域和第一背景区域之间像素值的差异得到第一增强图像对应的平均差异程度;
将第一背景区域内任意一个像素点记为目标像素点,在目标像素点的邻域内,将与目标像素点的像素值存在差异的邻域像素点的数量记为目标像素点的特征数量;计算第一背景区域内所有像素点的特征数量的均值,并计算第一背景区域内所有像素点的像素值的均值与最大像素值之间的比值,将特征数量的均值与比值的乘积作为第一增强图像的第一必要系数;
以第一增强图像对应的平均差异程度的负相关映射值与第一必要系数的乘积作为第一增强图像的增强必要程度;
计算第一增强图像的增强必要程度与纹理丢失度的乘积与第二预设值的和值,将第一增强图像对应的平均差异程度与和值之间的比值作为初始动态范围的评价值。
5.根据权利要求4所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据修正动态范围的评价值判断是否对初始动态范围进行修正,获得最优动态范围具体为:
当修正动态范围的评价值大于或等于预设的评价阈值时,不对初始动态范围进行修正,将修正动态范围作为最优动态范围;
当修正动态范围的评价值小于预设的评价阈值时,对初始动态范围进行第二次修正;
所述第二次修正的具体过程为:
利用第一增强图像对应的平均差异程度对初始动态范围进行修正,得到第一修正动态范围;利用第一修正动态范围对待增强红外图像进行直方图均衡化得到第二增强图像;获取第二增强图像的纹理丢失度,根据第二增强图像的像素值特征和纹理丢失度得到第一修正动态范围的评价值;
当第二次修正后得到第一修正动态范围的评价值大于或等于预设的评价阈值时,不对初始动态范围进行修正,将第一修正动态范围作为最优动态范围;
当第二次修正后得到第一修正动态范围的评价值小于预设的评价阈值时,对初始动态范围进行第三次修正,以此类推,直到动态范围的评价值大于或等于预设的评价阈值时或者直到修正次数达到次数阈值时停止。
6.根据权利要求4所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度具体为:
获取待增强红外图像中每个物体区域的图像熵,并获取第一增强图像中每个第一物体区域的图像熵;
根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异,得到第一增强图像的纹理丢失度。
7.根据权利要求6所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异,得到第一增强图像的纹理丢失度,具体包括:
对于待增强红外图像中任意一个物体区域,将物体区域内每个像素点在第一增强图像中对应位置处的像素点记为匹配像素点;
若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异大于数量阈值,则将对应的第一物体区域与物体区域记为匹配区域对;
若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异小于或等于数量阈值,则将所有匹配像素点构成的区域与物体区域记为匹配区域对;
对于任意一个匹配区域对,计算匹配区域对中两个区域的图像熵的差值绝对值;
将所有匹配区域对的图像熵的差值绝对值之和作为第一增强图像的纹理丢失度。
8.根据权利要求4所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述获取电动车充电桩的待增强红外图像具体为:
获取电动车充电桩的初始红外图像,对初始红外图像进行区域划分得到待分析物体区域和待分析背景区域;
根据待分析背景区域内像素值的差异情况得到初始红外图像的第一必要系数,根据待分析物体区域和待分析背景区域之间像素值的差异得到初始红外图像对应的平均差异程度;
以初始红外图像对应的平均差异程度与第一必要系数的乘积作为初始红外图像的增强必要程度;根据初始红外图像的增强必要程度筛选出待增强红外图像。
9.根据权利要求8所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据初始红外图像的增强必要程度筛选出待增强红外图像具体为:
将增强必要程度大于或等于预设的程度阈值对应的初始红外图像记为待增强红外图像。
10.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法,其特征在于,所述根据增强红外图像获得电动车充电桩火灾风险预警结果具体为:
对增强红外图像进行边缘检测得到温度异常区域,获取所有温度异常区域的总面积;
获取增强红外图像中所有像素点的像素值的最大值,计算像素值的最大值与最大像素值的比值;将该比值与温度异常区域的总面积之间的乘积记为增强红外图像的火灾风险指标;
当火灾风险指标的归一化值大于或等于预设的风险阈值时,对电动车充电桩进行火灾风险预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310511430.9A CN116245880B (zh) | 2023-05-09 | 2023-05-09 | 基于红外识别的电动车充电桩火灾风险检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310511430.9A CN116245880B (zh) | 2023-05-09 | 2023-05-09 | 基于红外识别的电动车充电桩火灾风险检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245880A true CN116245880A (zh) | 2023-06-09 |
CN116245880B CN116245880B (zh) | 2023-07-18 |
Family
ID=86628116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310511430.9A Active CN116245880B (zh) | 2023-05-09 | 2023-05-09 | 基于红外识别的电动车充电桩火灾风险检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245880B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823676A (zh) * | 2023-08-28 | 2023-09-29 | 浙江欣灵智能电气有限公司 | 基于红外热图的电动汽车防火安全检测方法 |
CN117058625A (zh) * | 2023-10-11 | 2023-11-14 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129675A (zh) * | 2011-02-24 | 2011-07-20 | 中国兵器工业系统总体部 | 一种非线性自适应红外图像增强方法 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
WO2019144581A1 (zh) * | 2018-01-29 | 2019-08-01 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
-
2023
- 2023-05-09 CN CN202310511430.9A patent/CN116245880B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129675A (zh) * | 2011-02-24 | 2011-07-20 | 中国兵器工业系统总体部 | 一种非线性自适应红外图像增强方法 |
CN106530245A (zh) * | 2016-10-27 | 2017-03-22 | 长安大学 | 一种无人机载隧道火灾红外图像分频段增强方法 |
WO2019144581A1 (zh) * | 2018-01-29 | 2019-08-01 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823676A (zh) * | 2023-08-28 | 2023-09-29 | 浙江欣灵智能电气有限公司 | 基于红外热图的电动汽车防火安全检测方法 |
CN116823676B (zh) * | 2023-08-28 | 2023-11-21 | 浙江欣灵智能电气有限公司 | 基于红外热图的电动汽车防火安全检测方法 |
CN117058625A (zh) * | 2023-10-11 | 2023-11-14 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
CN117058625B (zh) * | 2023-10-11 | 2024-01-16 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116245880B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116012346A (zh) | 一种输电线路监测方法及系统 | |
CN117115153A (zh) | 基于视觉辅助的印制线路板质量智能检测方法 | |
CN116433669A (zh) | 基于机器视觉的抗震结构钢架焊缝质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116543238B (zh) | 一种电缆绝缘层的图像检测方法 | |
CN116012767B (zh) | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 | |
CN116862908A (zh) | 一种基于图像处理的金属齿轮啮合缺陷检测方法 | |
CN115564682A (zh) | 一种光照不均图像增强方法及系统 | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
CN115187545A (zh) | 高空间分辨率遥感图像的处理方法、系统及存储介质 | |
CN115272737A (zh) | 一种橡胶圈流痕识别方法 | |
CN114998186A (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 | |
CN114331925A (zh) | 一种多尺度相对梯度直方图均衡化方法及装置 | |
CN116883401B (zh) | 一种工业产品生产质量检测系统 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN117830139B (zh) | 一种高强度冲压件缺陷检测方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |