CN116433035B - 一种基于人工智能的建筑电气火灾风险评估预测方法 - Google Patents

Abstract

本申请涉及图像处理领域，提供一种基于人工智能的建筑电气火灾风险评估预测方法，包括：采集发热源工作时的红外图像，并将红外图像转化为灰度图像；基于灰度图像的纹理信息确定每个窗口降低噪声后的引导参数；利用引导参数对红外图像进行图像增强处理；基于增强后的红外图像确定是否存在火灾风险。该方法以灰度图像作为引导图像计算降低噪声后的引导参数，然后对红外图像进行增强处理，该方法能够提高图像增强效果，提高火灾评估的准确性。

Description

一种基于人工智能的建筑电气火灾风险评估预测方法

技术领域

本申请涉及图像处理技术领域，特别是涉及一种基于人工智能的建筑电气火灾风险评估预测方法。

背景技术

建筑电气的安全与人民的生活息息相关，建筑电气火灾安全隐患是指建筑物中电气系统和电气设备存在的可能引起火灾问题。对存在安全隐患的设备进行监控，通过分析红外图像中设备的发热情况判断电气设备是否出现安全隐患。

电气设备中最重要的变压器，变压器的存在方便运输电力。传统的方法是对变压器进行红外摄像进行监控，当温度超过所设温度的阈值时出现警报。但是红外图像由于分辨率较低并且由于拍摄设备问题可能存在噪声，这些问题都影响了对红外监控情况判断的准确性。

传统的引导滤波在增强红外图像时，以自身为引导图像可以增强图像细节，降低噪声的影响。但是图像中的噪声过多时会破坏图像中的相似性信息，导致图像去噪的有效程度较低，同时引导滤波增强红外图像时由于分辨率问题导致红外图像的边缘特征变得模糊甚至丢失。

发明内容

本发明提供一种基于人工智能的建筑电气火灾风险评估预测方法，该方法能够提高图像增强效果，提高火灾评估的准确性。

第一方面，本申请提供一种基于人工智能的建筑电气火灾风险评估预测方法，包括：

采集发热源工作时的红外图像，并将红外图像转化为灰度图像；

基于灰度图像的纹理信息确定每个窗口降低噪声后的引导参数；

利用引导参数对红外图像进行图像增强处理；

基于增强后的红外图像确定是否存在火灾风险。

在一实施例中，基于灰度图像的纹理信息确定每个窗口的引导参数，包括：

建立预设大小的窗口，确定每一窗口中灰度变化的突变程度；

基于像素点在窗口中灰度变化的突变程度确定每一个像素点的重要程度；

基于像素点的重要程度确定引导参数。

在一实施例中，确定每一窗口中灰度变化的突变程度，包括：

基于窗口内像素点的个数，窗口内像素点到窗口中心像素点的距离，像素点的灰度值以及窗口的平均灰度值计算每一窗口内灰度变化的剧烈程度；

基于每一窗口的灰度变化的剧烈程度计算每个窗口的突变程度。

在一实施例中，基于每一窗口的灰度变化的剧烈程度计算每个窗口的突变程度，包括：

基于第个窗口和第/>个窗口之间灰度变化的剧烈程度的斜率，与第/>个窗口和第/>个窗口之间灰度变化的剧烈程度的斜率计算第/>个窗口的突变程度。

在一实施例中，基于像素点在窗口中灰度变化的突变程度确定每一个像素点的重要程度，包括：

将窗口中的目标像素点隔离，计算隔离目标像素点后每一窗口内灰度变化的剧烈程度，确定隔离目标像素点前的灰度变化的剧烈程度与隔离目标像素点后的灰度变化的剧烈程度的差异；

基于差异、窗口的突变程度以及窗口内像素点的个数计算像素点的重要程度，像素点的重要程度表征像素点是噪声的概率，且重要程度越高，像素点是噪声的概率越大。

在一实施例中，基于灰度图像的纹理信息确定每个窗口降低噪声后的引导参数，包括：

根据像素点的灰度值、像素点的重要程度与窗口内像素点的个数计算窗口降低噪声影响的灰度方差；将灰度方差作为引导参数。

在一实施例中，利用引导参数对红外图像进行图像增强处理，包括：

根据正则化系数和引导参数计算线性变换参数；

基于线性变换参数对红外图像进行图像增强处理。

在一实施例中，基于窗口内像素点的个数，窗口内像素点到窗口中心像素点的距离，像素点的灰度值以及窗口的平均灰度值计算每一窗口内灰度变化的剧烈程度，包括：

利用如下公式（1）计算每一窗口内灰度变化的剧烈程度：

（1）；

其中，表示每个窗口内灰度变化的剧烈程度，/>表示窗口内像素点的个数，/>表示窗口内像素点到窗口中心像素点的距离，/>表示第/>个像素点的灰度值，/>表示整个窗口的平均灰度值，/>表示窗口内的灰度的极差。

在一实施例中，基于差异、窗口的突变程度以及窗口内像素点的个数计算像素点的重要程度，包括：

利用如下公式（2）计算像素点的重要程度：

（2）；

其中，表示第/>个像素点的重要程度，/>表示像素点所在的第/>个窗口的突变程度，/>表示窗口内像素点的个数，/>表示在第/>个窗口隔离目标像素点前的灰度变化的剧烈程度与隔离目标像素点后的灰度变化的剧烈程度的差异。

在一实施例中，根据像素点的灰度值、像素点的重要程度与窗口内像素点的个数计算窗口降低噪声影响的灰度方差，包括：

利用如下公式（3）计算窗口降低噪声影响的灰度方差：

（3）；

其中，表示窗口内像素点的个数，/>表示窗口内第/>个像素点的重要程度，/>表示第/>个像素点的灰度值，/>表示窗口降低噪声影响的灰度方差。

本申请的有益效果，区别于现有技术，本申请的基于人工智能的建筑电气火灾风险评估预测方法，包括：采集发热源工作时的红外图像，并将红外图像转化为灰度图像；基于灰度图像的纹理信息确定每个窗口降低噪声后的引导参数；利用引导参数对红外图像进行图像增强处理；基于增强后的红外图像确定是否存在火灾风险。该方法以灰度图像作为引导图像计算降低噪声后的引导参数，然后对红外图像进行增强处理，该方法能够提高图像增强效果，提高火灾评估的准确性。

附图说明

图1是本申请基于人工智能的建筑电气火灾风险评估预测方法的一实施例的流程示意图；

图2是图1中步骤S12的一实施例的流程示意图；

图3是距离和剧烈程度的关系曲线示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合附图和实施例对本申请进行详细的说明。

请参见图1，为本发明基于人工智能的建筑电气火灾风险评估预测方法的一实施例的流程示意图，包括：

步骤S11：采集发热源工作时的红外图像，并将红外图像转化为灰度图像。

通过红外摄像头拍摄发热源例如变压器工作时的视频，在视频中任意截取一帧作为待处理图像，该待处理图像为红外图像，对红外图像灰度化获得对应的灰度图像。

步骤S12：基于灰度图像的纹理信息确定每个窗口降低噪声后的引导参数。

根据散热原理得知，发热源散热是一个持续的过程，距离发热源越远影响越小，当存在多个发热源时也会遵守这个原则，只是窗口可能受不同发热源的影响，导致不会出现理想状态下温度持续下降的过程，但是窗口的灰度变化比较平滑。当窗口内包含噪声时，窗口和周围的相关窗口的灰度变化会呈现一个突变的情况。

计算窗口在每一条曲线上的突变的情况，综合去判断此窗口的突变程度，利于突变程度作为权值计算窗口内每个像素点是噪声的概率。根据噪声概率降低噪声对窗口灰度值方差计算的影响得到较为准确的线性灰度变化参数。

具体的，请结合图2，步骤S12包括：

步骤S21：建立预设大小的窗口，确定每一窗口中灰度变化的突变程度。

窗口更能显示图像的局部信息，热源区域在红外图像中的灰度分布较高，周围区域受其的影响导致灰度值也会出现偏高的情况。根据牛顿冷却定律得知温度的传导受到距离的影响，而且温度的下降和距离的关系不是呈现线性下降的，距离越近温度变化的越剧烈，距离越远温度变化的越平缓。热源对周围的影响是一个连续的过程，周围的灰度变化的延展程度越好越说明这个区域受热源的影响程度越大。根据此思路可以推断延展程度越好，灰度值越大灰度变化的越剧烈，说明这个窗口距离热源越近受到的影响越大。

建立预设大小例如5×5的窗口，确定窗口内灰度变化的突变程度。具体的，基于窗口内像素点的个数，窗口内像素点到窗口中心像素点的距离，像素点的灰度值以及窗口的平均灰度值计算每一窗口内灰度变化的剧烈程度；基于每一窗口的灰度变化的剧烈程度计算每个窗口的突变程度。

在一实施例中，利用如下公式（1）计算每一窗口内灰度变化的剧烈程度：

（1）；

其中，表示每个窗口内灰度变化的剧烈程度，/>表示窗口内像素点的个数，/>表示窗口内像素点到窗口中心像素点的距离，/>表示第/>个像素点的灰度值，/>表示整个窗口的平均灰度值，/>表示窗口内的灰度的极差。

需要说明的是，距离窗口的中心像素点的距离越近对目标像素点存在影响的可能越大，距离可以作为计算方差的权值，窗口内平均灰度值越大说明这个窗口受到发热源影响的可能性越大，窗口内极差越大也可以说明窗口内灰度变化剧烈。

通过上述公式（1）可以计算出每一个窗口内灰度变化的剧烈程度。进一步基于每一窗口的灰度变化的剧烈程度计算每个窗口的突变程度。在一实施例中，基于第个窗口和第/>个窗口之间灰度变化的剧烈程度的斜率，与第/>个窗口和第/>个窗口之间灰度变化的剧烈程度的斜率计算第/>个窗口的突变程度。具体的，第/>个窗口的突变程度计算方式为：

；

其中，表示第/>窗口的突变程度，/>表示第/>个窗口和第/>个窗口之间灰度变化剧烈程度的斜率，/>表示第/>个窗口和第/>个窗口之间灰度变化剧烈程度的斜率。/>（）表示归一化函数。

根据散热原理得知，物体越靠近发热源，温度变化的越剧烈，一个发热源对周围存在影响，距离越近影响越大，影响程度和到发热源的距离呈现非线性关系，距离越近，则距离对影响程度的判断越重要，距离越远，则影响程度和距离的关系越不明显。基于这种关系可以得知发热源对周围的影响是一个连续的下降的过程（理想状态下周围没有其它干扰源），可以判断灰度变化的剧烈程度的一个延展性（影响程度的延展性），延展程度越好说明窗口受到发热源的影响程度越高，但是在实际应用中发热源散热不止一个发热源，可能存在好几个发热源的情况，几个发热源相互影响导致周围窗口不会呈现一个连续下降的过程，以待检测窗口为中心计算其360°每个方向上的灰度变化剧烈程度，当窗口内的灰度值小于整幅图像的平均梯度时就不计算这个窗口的剧烈程度，因为窗口受到发热源的影响会导致温度升高，灰度值偏大；当灰度值小于整体的平均灰度时，发热源对其的影响近乎为零。根据每个方向上的灰度变化的剧烈程度得到距离和剧烈程度的关系，根据两者之间的关系得到每个方向上灰度变化的剧烈程度的曲线，距离和剧烈程度的关系曲线如图3所示。其中，横轴表示发热源到窗口的距离，纵轴表示窗口的灰度变化的距离程度。

利用上述公式计算图3所示的曲线上每个窗口的突变程度。根据温度扩散得知由于发热源导致的灰度变化比较平缓，由多个热源影响的窗口也要符合距离对气的影响，但是噪声点造成的窗口灰度剧烈变化是突变的，计算这个窗口和其前后两个窗口的灰度变化剧烈程度的斜率变化，当一个斜率变大时有可能是其它热源导致的，但是两个斜率都变大说明这个窗口是一个突出的窗口，突变程度比较大。根据每个窗口上不同方向都可提取到突变程度较大的窗口，对每个窗口都进行上述操作，根据每个窗口在不同曲线上的突变程度，计算其平均突变程度/>。

步骤S22：基于像素点在窗口中灰度变化的突变程度确定每一个像素点的重要程度。

噪声影响的窗口的灰度变化可能表现的比较剧烈，由噪声造成的现象和发热源造成的现象会出现不同的情况，噪声点是一个特殊点造成的影响，这个点对周围区域的一些判断造成干扰，当把这个点隔离时，这个窗口的变化较大，这个点是噪声点的概率较大。发热源是一个范围性的干扰，隔离某个像素点可能会对窗口的判断存在影响但是这个影响不是特别明显。因此采用隔离像素点的方式计算像素点的重要程度。

具体的，将窗口中的目标像素点隔离，计算隔离目标像素点后每一窗口内灰度变化的剧烈程度，确定隔离目标像素点前的灰度变化的剧烈程度与隔离目标像素点后的灰度变化的剧烈程度的差异；基于差异、窗口的突变程度以及窗口内像素点的个数计算像素点的重要程度。像素点的重要程度表征像素点是噪声的概率，且重要程度越高，像素点是噪声的概率越大。

在一实施例中，利用如下公式（2）计算像素点的重要程度：

（2）；

其中，表示第/>个像素点的重要程度，/>表示像素点所在的第/>个窗口的突变程度，/>表示窗口内像素点的个数，/>表示在第/>个窗口隔离目标像素点前的灰度变化的剧烈程度与隔离目标像素点后的灰度变化的剧烈程度的差异。

需要说明的是，一个像素点可以在不同的窗口内起到作用根据每个窗口的重要程度不同，这个像素点在这个窗口对这个像素点的影响程度不同，根据每个窗口的重要程度为权值计算这个像素点的综合重要程度。

每个像素点对其周围的影响越重要越说明这个像素点的特殊性，这个像素点是噪声的概率越高，以重要程度可以代替像素点是噪声的概率，像素点越重要是噪声的概率越高。

步骤S23：基于像素点的重要程度确定引导参数。

在一实施例中，根据像素点的灰度值、像素点的重要程度与窗口内像素点的个数计算窗口降低噪声影响的灰度方差；将灰度方差作为引导参数。

具体的，利用如下公式（3）计算窗口降低噪声影响的灰度方差：

（3）；

其中，表示窗口内像素点的个数，/>表示窗口内第/>个像素点的重要程度，/>表示第/>个像素点的灰度值，/>表示窗口降低噪声影响的灰度方差。灰度方差为引导参数。

步骤S13：利用引导参数对红外图像进行图像增强处理。

引导滤波受到正则化系数的影响，当正则化系数远大于方差时引导滤波类似加权中值滤波会出现过平滑的现象当正则化系数过小时平滑程度较差对原图像的保留能力较强，选取合适的正则化系数对图像的增强效果显著。具体的，根据正则化系数和引导参数计算线性变换参数；基于线性变换参数对红外图像进行图像增强处理。

在一实施例中，根据经验选取合适的正则化系数，根据正则化系数和窗口的加权方差/>计算整个窗口的线性变换参数/>。具体的，线性变换参数/>的计算方式为：

；

基于线性变换参数对红外图像/>进行图像增强处理/>，具体为：

；

步骤S14：基于增强后的红外图像确定是否存在火灾风险。

根据上述得到了图像较为清晰的红外图像，根据红外图像进行温度检测，变压器的不同位置具有不同的温度等级，根据其红外图像检测每个区域的温度，判断区域属于哪个温控等级，根据区域的温控等级判断这个区域的温度是否超过所属等级，参考我国的变压器设计规范，其温度最高不能超115°，超过所设阈值进行警报，也即存在火灾风险。

本发明主要是通过红外摄像头拍摄变压器工作时的视频，截取其中一帧作为待处理图像，通过分析图像的特征判断变压器工作是否存在问题，以此判断是否存在火灾风险。

本方法通过窗口内的灰度的方差进行选取参数，同时通过灰度变化是否有延展性，根据像素点在不同窗口的影响程度计算权值进行不平均的加权处理获得这个像素点的影响程度，根据像素点的影响程度和周围相邻窗口灰度变化的延展性得到参数。避免了传统算法由于噪声过多破坏图像的相似度信息，对图像的去噪有效程度较低，可能造成图像失真，对后续的火灾风险判断不准确导致火灾造成。本方法增强图像的对比度，对图像的去噪效果较好提升火灾风险判断的准确性，保障了人民的生命财产安全。通过对采集的红外进行引导滤波增强，增强图像中的细节区域，降低由于噪声带来的影响。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (4)

1.一种基于人工智能的建筑电气火灾风险评估预测方法，其特征在于，包括：

采集发热源工作时的红外图像，并将所述红外图像转化为灰度图像；

基于所述灰度图像的纹理信息确定每个窗口降低噪声后的引导参数；

利用所述引导参数对所述红外图像进行图像增强处理；

基于增强后的红外图像确定是否存在火灾风险；

基于所述灰度图像的纹理信息确定每个窗口降低噪声后的引导参数，包括：

建立预设大小的窗口，确定每一窗口中灰度变化的突变程度；

基于像素点在窗口中灰度变化的突变程度确定每一个像素点的重要程度；

基于所述像素点的重要程度确定引导参数；

确定每一窗口中灰度变化的突变程度，包括：

基于窗口内像素点的个数，窗口内像素点到窗口中心像素点的距离，像素点的灰度值以及窗口的平均灰度值计算每一窗口内灰度变化的剧烈程度；

基于每一窗口的灰度变化的剧烈程度计算每个窗口的突变程度；

基于每一窗口的灰度变化的剧烈程度计算每个窗口的突变程度，包括：

基于第个窗口和第/>个窗口之间灰度变化的剧烈程度的斜率，与第/>个窗口和第个窗口之间灰度变化的剧烈程度的斜率计算第/>个窗口的突变程度；

基于像素点在窗口中灰度变化的突变程度确定每一个像素点的重要程度，包括：

将窗口中的目标像素点隔离，计算隔离目标像素点后每一窗口内灰度变化的剧烈程度，确定隔离目标像素点前的灰度变化的剧烈程度与隔离目标像素点后的灰度变化的剧烈程度的差异；

基于所述差异、窗口的突变程度以及窗口内像素点的个数计算像素点的重要程度，所述像素点的重要程度表征像素点是噪声的概率，且所述重要程度越高，所述像素点是噪声的概率越大；

基于窗口内像素点的个数，窗口内像素点到窗口中心像素点的距离，像素点的灰度值以及窗口的平均灰度值计算每一窗口内灰度变化的剧烈程度，包括：

利用如下公式（1）计算每一窗口内灰度变化的剧烈程度：

（1）；

其中，表示每个窗口内灰度变化的剧烈程度，/>表示窗口内像素点的个数，/>表示窗口内像素点到窗口中心像素点的距离，/>表示第/>个像素点的灰度值，/>表示整个窗口的平均灰度值，/>表示窗口内的灰度的极差；

基于所述差异、窗口的突变程度以及窗口内像素点的个数计算像素点的重要程度，包括：

利用如下公式（2）计算像素点的重要程度：

（2）；

其中，表示第/>个像素点的重要程度，/>表示像素点所在的第/>个窗口的突变程度，表示窗口内像素点的个数，/>表示在第/>个窗口隔离目标像素点前的灰度变化的剧烈程度与隔离目标像素点后的灰度变化的剧烈程度的差异。

2.根据权利要求1所述的方法，其特征在于，基于所述灰度图像的纹理信息确定每个窗口降低噪声后的引导参数，包括：

根据像素点的灰度值、像素点的重要程度与窗口内像素点的个数计算窗口降低噪声影响的灰度方差；将所述灰度方差作为所述引导参数。

3.根据权利要求1所述的方法，其特征在于，利用所述引导参数对所述红外图像进行图像增强处理，包括：

根据正则化系数和所述引导参数计算线性变换参数；

基于所述线性变换参数对所述红外图像进行图像增强处理。

4.根据权利要求2所述的方法，其特征在于，根据像素点的灰度值、像素点的重要程度与窗口内像素点的个数计算窗口降低噪声影响的灰度方差，包括：

利用如下公式（3）计算窗口降低噪声影响的灰度方差：

（3）；

其中，表示窗口内像素点的个数，/>表示窗口内第/>个像素点的重要程度，/>表示第/>个像素点的灰度值，/>表示窗口降低噪声影响的灰度方差。