CN116823676B - 基于红外热图的电动汽车防火安全检测方法 - Google Patents
基于红外热图的电动汽车防火安全检测方法 Download PDFInfo
- Publication number
- CN116823676B CN116823676B CN202311083894.0A CN202311083894A CN116823676B CN 116823676 B CN116823676 B CN 116823676B CN 202311083894 A CN202311083894 A CN 202311083894A CN 116823676 B CN116823676 B CN 116823676B
- Authority
- CN
- China
- Prior art keywords
- temperature
- infrared thermal
- domain
- liantong
- enhanced
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 79
- 230000017525 heat dissipation Effects 0.000 claims abstract description 76
- 238000004891 communication Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 22
- 230000003247 decreasing effect Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 239000007921 spray Substances 0.000 description 8
- 230000007423 decrease Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及基于红外热图的电动汽车防火安全检测方法，包括：根据待增强红外热图像与其对应的参考红外热图像内的高温连通域和参考高温连通域特征，确定高温连通域的散热异常程度和高温连通域的升温异常程度，进而确定高温连通域的温度异常程度，再根据环境温度的影响特征，确定高温连通域的精准温度异常程度，由此获取待增强红外热图像对应的锐化系数，使用反锐化掩模算法进行对比度增强处理，获得高质量的电动汽车充电时的增强红外热图像，从而精准识别故障高温区域。本发明通过自适应锐化系数对图像进行增强处理，在突显图像内细节信息的同时，避免图像过度增强产生伪影，提高故障高温区域识别的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于红外热图的电动汽车防火安全检测方法。
背景技术
当今新能源汽车产业进入加速发展的新阶段，电动汽车保有量大幅增加，配套的充电桩数量也逐步攀升。为缩短用户充电时间，充电桩普遍采用高电压、大电流的工作方式，因此对电动汽车防火安全性提出了更高要求。红外热像仪是一种可将热信息瞬间可视化并加以验证的诊断技术，具有独特的测温能力，在应用于电动汽车防火安全检测时，可以实现提前预警，在起火前的积热阶段、阴燃阶段即可发现高温点，感知充电故障所引起的温度异常变化，再结合烟雾感应报警器、带有生物信息识别的监控摄像机、红外幕帘探测器采集信息，判断是否启动应急启动的防火卷帘、喷淋头和喷淋泵，以及进行语音播报，保障电动汽车的充电安全。但红外热图像存在对比度低，分辨细节能力较差的缺点，影响电动汽车防火安全检测的准确性。
反锐化掩模是一种常用的图像对比度增强算法，其通过原始图像与低通滤波后的原始图像做差，再乘上一个锐化系数后与原始图像求和，以达到提高图像对比度，令图像中的边缘和细节更加清晰和突出。算法中的锐化系数取值大小会直接影响最终图像的锐化效果，不同的锐化系数对于增强图像的边缘和细节会产生不同程度的影响。
现有的问题：红外热图像对比度低，分辨细节能力较差，影响电动汽车防火安全检测的准确性。在电动汽车进行快速充电时，汽车的电池组、充电接口、散热系统等处的温度会升高，且周围环境温度也会影响电动汽车充电时的温度变化，因此不同时间采集的红外热图像往往需要不同大小的锐化系数，来保障图像增强效果。较小的锐化系数会导致图像可能看起来更平滑，但不够清晰，而较大的锐化系数可能会导致图像出现过度增强。
发明内容
本发明提供基于红外热图的电动汽车防火安全检测方法，以解决现有的问题。
本发明的基于红外热图的电动汽车防火安全检测方法采用如下技术方案：
本发明一个实施例提供了基于红外热图的电动汽车防火安全检测方法，该方法包括以下步骤：
步骤S001：使用红外热像仪采集电动汽车充电时的红外热图像，红外热图像包括待增强红外热图像和待增强红外热图像对应的若干参考红外热图像；将待增强红外热图像分割为电动汽车区域和背景区域，再分割出电动汽车区域内的高温区域，将高温区域内连续相邻的像素点构成的连通域记为高温连通域；
步骤S002：根据待增强红外热图像内的高温连通域和待增强红外热图像对应的所有参考红外热图像内的参考高温连通域，确定温度集合和散热速率集合；根据温度集合与散热速率集合之间的关系，确定高温连通域随时间变化的散热异常；
步骤S003：根据高温连通域随时间变化的散热异常和高温连通域内所有射线上相邻像素点的灰度差异，确定高温连通域的散热异常程度；根据温度集合内相邻数据的差异，确定高温连通域的升温异常程度；根据高温连通域的升温异常程度和高温连通域的散热异常程度，确定高温连通域的温度异常程度；
步骤S004：根据待增强红外热图像内的背景区域和待增强红外热图像对应的所有参考红外热图像内的参考背景区域，确定背景温度集合；区分背景温度集合内的若干个递减数据段，根据所有递减数据段和温度差值集合内的数据特征，确定环境温度的影响特征；根据环境温度的影响特征和高温连通域的温度异常程度，确定高温连通域的精准温度异常程度；
步骤S005：根据所有高温连通域的精准温度异常程度和所有高温连通域的温度，确定待增强红外热图像对应的锐化系数；
步骤S006：根据待增强红外热图像对应的锐化系数，使用反锐化掩模算法对待增强红外热图像进行对比度增强处理，获得电动汽车充电时的增强红外热图像；根据增强红外热图像，识别故障高温区域。
进一步地，所述将待增强红外热图像分割为电动汽车区域和背景区域，再分割出电动汽车区域内的高温区域，包括的具体步骤如下：
将红外热像仪采集的无电动汽车时的红外热图像，记为背景红外热图像；
对待增强红外热图像和背景红外热图像进行图像差分，得到待增强红外热图像内的电动汽车区域和背景区域；
使用大津算法求取电动汽车区域内的高温分割阈值，令电动汽车区域内灰度值小于高温分割阈值的像素点灰度值为0，令电动汽车区域内灰度值大于等于高温分割阈值的像素点灰度值为1，得到二值电动汽车区域；使用预设的结构元素对二值电动汽车区域进行形态学开运算处理，得到开运算后的二值电动汽车区域；
根据开运算后的二值电动汽车区域和电动汽车区域内的像素点一一对应关系，得到电动汽车区域内的高温区域和低温区域。
进一步地，所述根据待增强红外热图像内的高温连通域和待增强红外热图像对应的所有参考红外热图像内的参考高温连通域，确定温度集合和散热速率集合，包括的具体步骤如下：
根据待增强红外热图像内高温连通域内的像素点坐标位置，获取待增强红外热图像对应的所有参考红外热图像内的高温连通域，记为参考高温连通域；
分别计算高温连通域和其对应的所有参考高温连通域内的像素点灰度均值，记为高温连通域和每个参考高温连通域内的温度；
分别计算高温连通域和其对应的所有参考高温连通域内的像素点灰度梯度均值，记为高温连通域和每个参考高温连通域内的散热速率；
根据待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序，将高温连通域和其对应的所有参考高温连通域内的温度和散热速率分别构成温度集合和散热速率集合。
进一步地，所述根据温度集合与散热速率集合之间的关系，确定高温连通域随时间变化的散热异常对应的具体计算公式为：
当时，E的获取方式如下：
当时，E的获取方式如下：
其中E为高温连通域随时间变化的散热异常，为温度集合，/>为散热速率集合，为温度集合中的数据与散热速率集合中的数据的协方差，/>为预设的协方差阈值，/>为以自然常数为底的指数函数，k为预设的指数函数调整值。
进一步地，所述根据高温连通域随时间变化的散热异常和高温连通域内所有射线上相邻像素点的灰度差异，确定高温连通域的散热异常程度，包括的具体步骤如下：
从高温连通域内的中心像素点开始，分别沿中心像素点的八邻域方向做射线，获取高温连通域内的y条射线，y为预设的射线数量；
在高温连通域内从中心像素点开始，沿高温连通域内对应的一条射线逐像素点遍历，按照遍历顺序依次计算前一个像素点灰度值减去后一个像素点灰度值的差值，得到射线差值集合；
将高温连通域内所有射线对应的射线差值集合中的数据方差的归一化值的均值和高温连通域随时间变化的散热异常的乘积，记为高温连通域的散热异常程度。
进一步地，所述根据温度集合内相邻数据的差异，确定高温连通域的升温异常程度；根据高温连通域的升温异常程度和高温连通域的散热异常程度，确定高温连通域的温度异常程度，包括的具体步骤如下：
依次计算温度集合中后一个数据减去前一个数据的差值，得到温度差值集合；
若温度差值集合中为负的数据数量小于等于预设的负数数量阈值时，令高温区域随时间变化的降温特征为预设的降温特征；
若温度差值集合中为负的数据数量大于预设的负数数量阈值时，根据温度差值集合中为负的数据数量和温度差值集合中所有为负的数据值，确定高温区域随时间变化的降温特征；
将高温区域随时间变化的降温特征和温度差值集合中的数据方差的乘积，记为高温连通域的升温异常程度；
将高温连通域的散热异常程度的归一化值和高温连通域的升温异常程度的乘积，记为高温连通域的温度异常程度。
进一步地，所述根据温度差值集合中为负的数据数量和温度差值集合中所有为负的数据值，确定高温区域随时间变化的降温特征对应的具体计算公式为：
当时，w的获取方式如下：
其中w为高温区域随时间变化的降温特征，n为待增强红外热图像和对应的所有参考红外热图像的数量，x为温度差值集合中为负的数据数量，为预设的负数数量阈值，/>为温度差值集合中第j个为负的数据值，/>为温度差值集合中所有为负的数据值之和，a为预设的常数。
进一步地，所述根据待增强红外热图像内的背景区域和待增强红外热图像对应的所有参考红外热图像内的参考背景区域，确定背景温度集合；区分背景温度集合内的若干个递减数据段，根据所有递减数据段和温度差值集合内的数据特征，确定环境温度的影响特征；根据环境温度的影响特征和高温连通域的温度异常程度，确定高温连通域的精准温度异常程度，包括的具体步骤如下：
根据待增强红外热图像内背景区域内的像素点坐标位置，获取待增强红外热图像对应的所有参考红外热图像内的背景区域，记为参考背景区域；
分别计算背景区域和其对应的所有参考背景区域内的像素点灰度均值，记为背景区域和每个参考背景区域内的温度；
根据待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序，将背景区域和其对应的所有参考背景区域内的温度构成背景温度集合；
使用一阶导数法获取背景温度集合中的局部极值点，根据背景温度集合中的局部极值点，将背景温度集合划分为若干个数据段；将数据段内第一个数据大于最后一个数据的数据段记为递减数据段；
若温度差值集合中为负的数据数量小于等于预设的负数数量阈值时，或者温度差值集合中为负的数据数量大于预设的负数数量阈值，且背景温度集合划分的递减数据段的数量小于等于预设的递减数据段的数量阈值时，令环境温度的影响特征为预设的环境温度的影响特征；
若温度差值集合中为负的数据数量大于预设的负数数量阈值，且背景温度集合划分的递减数据段的数量大于预设的递减数据段的数量阈值时，根据背景温度集合划分的递减数据段内的数据数量的归一化值和背景温度集合划分的递减数据段内最大值减去最小值的差的乘积，记为背景温度集合划分的递减数据段的下降特征；
根据背景温度集合划分的所有递减数据段的下降特征和背景温度集合划分的所有递减数据段内的数据均值，确定环境温度的影响特征；
将环境温度的影响特征和高温连通域的温度异常程度的乘积的归一化值，记为高温连通域的精准温度异常程度。
进一步地，所述根据背景温度集合划分的所有递减数据段的下降特征和背景温度集合划分的所有递减数据段内的数据均值，确定环境温度的影响特征对应的具体计算公式为：
当且/>时，/>的获取方式如下：
其中为环境温度的影响特征，x为温度差值集合中为负的数据数量，/>为预设的负数数量阈值，q为背景温度集合划分的递减数据段的数量，/>为预设的递减数据段的数量阈值，/>为背景温度集合划分的第g个递减数据段的下降特征，/>为背景温度集合划分的第g个递减数据段内的数据均值，/>为背景温度集合中的最大值。
进一步地，所述根据所有高温连通域的精准温度异常程度和所有高温连通域的温度，确定待增强红外热图像对应的锐化系数，包括的具体步骤如下：
将高温连通域内的像素点灰度均值除以所有高温连通域内的像素点灰度均值之和的商，记为高温连通域的精准温度异常程度的权重；
将所有高温连通域的精准温度异常程度和所有高温连通域的精准温度异常程度的权重的乘积之和，记为待增强红外热图像内的精准温度异常程度；
根据待增强红外热图像内的精准温度异常程度和预设的锐化系数的取值范围，确定待增强红外热图像对应的锐化系数。
本发明的技术方案的有益效果是：
本发明实施例中，由于电动汽车充电时起火是由于某部位过热导致的，而过热的因素有充电功率过大和散热系统异常等，故根据待增强红外热图像与其对应的参考红外热图像内的高温连通域和参考高温连通域，获得温度集合和散热速率集合，由此确定高温连通域随时间变化的散热异常。再结合高温连通域内所有射线对应的射线差值集合，确定高温连通域的散热异常程度，根据温度差值集合，确定高温连通域的升温异常程度，进而确定高温连通域的温度异常程度。考虑到周围环境温度变化对电动汽车充电的影响，再根据环境温度的影响特征，确定高温连通域的精准温度异常程度，由此获取待增强红外热图像对应的锐化系数，使用反锐化掩模算法进行对比度增强处理，获得高质量的电动汽车充电时的增强红外热图像，从而精准识别故障高温区域。当待增强红外热图像内高温连通域内的温度异常程度较大时，赋予较大的锐化系数，用以突显图像内的细节信息，保障后续图像内故障高温区域识别的准确性；当待增强红外热图像内高温连通域内的温度异常程度较小时，赋予较小的锐化系数，避免图像出现过度增强产生伪影，影响故障高温区域的识别。
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，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地介绍，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他的附图。
图1为本发明基于红外热图的电动汽车防火安全检测方法的步骤流程图。
图2为本实施例所提供的一个电动汽车防火隔离控制器示意图。
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基于红外热图的电动汽车防火安全检测方法，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基于红外热图的电动汽车防火安全检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于红外热图的电动汽车防火安全检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：使用红外热像仪采集电动汽车充电时的红外热图像，红外热图像包括待增强红外热图像和待增强红外热图像对应的若干参考红外热图像；将待增强红外热图像分割为电动汽车区域和背景区域，再分割出电动汽车区域内的高温区域，将高温区域内连续相邻的像素点构成的连通域记为高温连通域。
电动汽车防火隔离控制器是通过红外热像仪获取充电站各充电区域的热像信息，用于充电汽车火灾的识别，再结合烟雾感应报警器采集信息，当某个充电汽车发生火灾时，防火隔离控制器驱动卷帘电机使得该着火充电汽车区域隔离，防止作为燃烧介质传递到附近充电汽车进一波扩大火灾范围及火情，同时带有应急装置开闭该防火卷帘。而当带有生物信息识别的监控摄像机检测到某个充电车位区域有生物信号时，该区域防火卷帘被禁用。红外幕帘探测器位于防火卷帘边缘，当探测器检测到信号时，认为防火卷帘区域有遮挡物或生物，此时防火卷帘被禁用，喷淋头及喷淋泵用于发生充电汽车着火且防火卷帘已正常启用时，喷淋在车身用于降温，语音播报扬声器用于当火情发生时，生物信息识别监控摄像机检测到生物信息时，播放语音信号驱使生物离开火灾区域同时提醒附近人员及时参与救援及报警。图2为本实施例所提供的一个电动汽车防火隔离控制器示意图。
但红外热图像对比度低，分辨细节能力较差，影响电动汽车防火安全检测的准确性。在电动汽车进行快速充电时，汽车的电池组、充电接口、散热系统等处的温度会升高，且周围环境温度也会影响电动汽车充电时的温度变化，因此本实施例使用自适应锐化系数的反锐化掩模算法，对图像进行对比度增强处理，以提高充电故障所引起的温度异常检测的准确性，从而在起火前进行断电和报警。
在充电站内安装红外热像仪进行实时监测，使用红外热像仪采集电动汽车充电时的红外热图像，记为待增强红外热图像，本实施例设定的待增强红外热图像的采集频率为每秒一张，设定的时间范围为一分钟，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。从待增强红外热图像开始，取其后续一分钟内采集的待增强红外热图像，记为参考红外热图像。
所需说明的是，电动汽车充电最后一分钟内采集的待增强红外热图像对应的参考红外热图像为充电最后一分钟内采集的其它待增强红外热图像。
使用红外热像仪采集无电动汽车时的红外热图像，记为背景红外热图像。对待增强红外热图像和背景红外热图像进行图像差分，得到差分图像，本实施例设定的分割阈值为10，其它实施方式中可设置为其它值，本实施例不进行限定。令差分图像内灰度值小于设定的分割阈值的像素点为背景区域，令灰度值大于等于设定的分割阈值的像素点为电动汽车区域，根据差分图像和待增强红外热图像内像素点的一一对应关系，获取待增强红外热图像内的电动汽车区域和背景区域。
使用大津算法求取待增强红外热图像内电动汽车区域内的高温分割阈值T，令电动汽车区域内灰度值小于高温分割阈值T的像素点灰度值为0，令电动汽车区域内灰度值大于等于高温分割阈值T的像素点灰度值为1，得到二值电动汽车区域，本实施例中以设定的长度为5的正方形结构元素为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。使用设定的结构元素对二值电动汽车区域进行形态学开运算，用以去除孤立点和填补空洞，获取开运算后的二值电动汽车区域，记开运算后的二值电动汽车区域内灰度值为1的像素点为高温区域，灰度值为0的像素点为低温区域，由于开运算后的二值电动汽车区域和电动汽车区域内的像素点一一对应，故可获取电动汽车区域内的高温区域和低温区域，将高温区域内连续相邻的像素点构成的连通域记为高温连通域。
其中，图像差分和大津算法以及形态学开运算均为公知技术，具体方法在此不做介绍。
步骤S002：根据待增强红外热图像内的高温连通域和待增强红外热图像对应的所有参考红外热图像内的参考高温连通域，确定温度集合和散热速率集合；根据温度集合与散热速率集合之间的关系，确定高温连通域随时间变化的散热异常。
由于电动汽车充电时起火是由于某部位过热导致的，而过热的因素有充电功率过大、高环境温度和散热系统异常。
取待增强红外热图像内一个高温连通域为例，根据该高温连通域内像素点的坐标位置，获取待增强红外热图像对应的所有参考红外热图像内的高温连通域，记为参考高温连通域。分别统计该高温连通域和对应的所有参考高温连通域内的像素点灰度均值和灰度梯度均值，其分别记为该高温连通域和对应的所有参考高温连通域内的温度和散热速率，按照待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序，将该高温连通域和对应的所有参考高温连通域内的温度和散热速率分别构成温度集合和散热速率集合/>，其中n为待增强红外热图像和对应的所有参考红外热图像的数量，/>和/>分别为该高温连通域和对应的所有参考高温连通域中按照待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序中的第n个连通域内的像素点灰度均值和灰度梯度均。
已知正常情况下，温度越高，散热速率通常会更快。故温度集合和散热速率集合中的数据应为正相关。但当电动汽车的散热系统存在问题，如风扇故障或散热器堵塞，即使温度较高，散热速率也可能受到限制或降低。由此可知该高温连通域随时间变化的散热异常E的计算公式为：
当时，E的获取方式如下：
当时，E的获取方式如下：
其中E为该高温连通域随时间变化的散热异常，A为温度集合，B为散热速率集合，为温度集合/>中的数据与散热速率集合/>中的数据的协方差，/>为设定的协方差阈值，/>为以自然常数为底的指数函数，k为设定的指数函数调整值。本实施例中以，/>为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
所需说明的是：当温度集合和散热速率集合/>的协方差/>大于设定的协方差阈值/>时，说明温度集合/>和散热速率集合/>中的数据为正相关，/>值越大，则令该高温连通域随时间变化的散热异常E接近于0；当温度集合/>和散热速率集合/>的协方差/>等于设定的协方差阈值/>时，说明温度集合/>和散热速率集合/>中的数据无相关性，则令该高温连通域随时间变化的散热异常E为1；当温度集合/>和散热速率集合/>的协方差/>小于设定的协方差阈值/>时，说明温度集合/>和散热速率集合/>中的数据为负相关，/>值越小，则令该高温连通域随时间变化的散热异常E大于1，且接近于2。
步骤S003：根据高温连通域随时间变化的散热异常和高温连通域内所有射线上相邻像素点的灰度差异，确定高温连通域的散热异常程度；根据温度集合内相邻数据的差异，确定高温连通域的升温异常程度；根据高温连通域的升温异常程度和高温连通域的散热异常程度，确定高温连通域的温度异常程度。
依次计算温度集合中后一个数据减去前一个数据的差值，获得温度差值集合，其中/>为温度集合/>中第n个数据/>减去第n-1个数据/>的差值。
统计该高温连通域内的中心像素点，从中心像素点开始，沿其八邻域方向做八条射线，本实施例中设定的射线数量为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。取一条射线为例，在该高温连通域内从中心像素点开始，逐像素点遍历该射线上的像素点灰度值，再按照遍历顺序计算前一个像素点灰度值减去后一个像素点灰度值的差值，获取射线差值集合/>，其中m为该高温连通域内该射线上的像素点数量，由于高温区域的获取经过使用长度为5的正方形结构元素的形态学开运算处理，故m的取值不会小于3，/>为该高温连通域内该射线上从中心像素点开始遍历第m-1个像素点灰度值减去第m个像素点灰度值的差值。
按照上述方式，获取该高温连通域内每条射线对应的射线差值集合C。
由此可知该高温连通域的温度异常程度D的计算公式为：
当时，w的获取方式如下：
当时，w的获取方式如下：
其中D为该高温连通域的温度异常程度，为该高温连通域的散热异常程度，/>为温度差值集合/>中的数据方差，w为该高温区域随时间变化的降温特征，/>为设定的降温特征，n为待增强红外热图像和对应的所有参考红外热图像的数量，x为温度差值集合/>中为负的数据数量，/>为设定的负数数量阈值，/>为温度差值集合/>中第j个为负的数据值，为温度差值集合/>中所有为负的数据值之和，a和b为设定的常数，E为该高温连通域随时间变化的散热异常，y为设定的射线数量，/>为该高温区域内第i条射线对应的射线差值集合C中的数据方差，/>为线性归一化函数，将数据值归一化至[0,1]区间内。本实施例中以/>，/>，/>，/>为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
所需说明的是：正常情况下，高温区域向四周散热时，温度变化相对平缓，故高温连通域内的每条射线上的像素点灰度值变化平缓，即应较小，其归一化的均值表示该高温连通域内本身的散热异常程度，因此用其为E的调整值，两者乘积/>为该高温连通域的散热异常程度。而电动汽车充电的正常情况下，温度随时间稳定增长，故/>应较小，且当充电时温度随时间变化出现降温时，需要进一步分析高温区域随时间变化的降温特征，当温度差值集合/>中为负的数据数量x小于等于设定的负数数量阈值/>时，说明此时的该高温区域随时间变化的过程中不存在降温，则令该高温区域随时间变化的降温特征w为设定的降温特征/>；当温度差值集合/>中为负的数据数量x大于设定的负数数量阈值/>时，说明此时的该高温区域随时间变化的过程中存在降温，同时间内温度下降的越多，即/>越大，则温度随时间变化越异常，故以/>为/>的归一化权值，加权平均/>为温度的下降大小，x体现了温度下降的时间长短，由此用归一化的/>为/>的调整值，两者乘积的归一化值加1为高温区域随时间变化的降温特征w。进而以w为/>的调整值，两者乘积为该高温连通域的升温异常程度，至此用归一化的/>为其调整值，两者乘积为该高温连通域的温度异常程度D。
步骤S004：根据待增强红外热图像内的背景区域和待增强红外热图像对应的所有参考红外热图像内的参考背景区域，确定背景温度集合；区分背景温度集合内的若干个递减数据段，根据所有递减数据段和温度差值集合内的数据特征，确定环境温度的影响特征；根据环境温度的影响特征和高温连通域的温度异常程度，确定高温连通域的精准温度异常程度。
由于在电动汽车充电过程中温度随时间下降的原因为：为了防止电池过热，自动降低充电功率，导致温度下降；或者是受周围环境温度的影响，导致温度下降。因此当时，需要进一步分析周围环境温度对电动汽车充电过程中温度变化的影响，获取待增强红外热图像对应的锐化系数调节值。
根据待增强红外热图像内背景区域内像素点的坐标位置，获取待增强红外热图像对应的所有参考红外热图像内的背景区域，记为参考背景区域，分别计算背景区域和其对应的所有参考背景区域内的像素点灰度均值，记为背景区域和每个参考背景区域内的温度，根据待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序，将背景区域和其对应的所有参考背景区域内的温度构成背景温度集合，其中n为待增强红外热图像和对应的所有参考红外热图像的数量，/>为该背景区域和对应的参考背景区域中按照待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序上的第n个区域内的像素点灰度均值。
使用一阶导数法获取背景温度集合中的局部极值点，以局部极值点为分割点，将背景温度集合/>划分为若干个数据段，如果数据段内第一个数据大于最后一个数据，那么将该数据段记为递减数据段，如果数据段内第一个数据小于最后一个数据，那么将该数据段记为递增数据段。其中，一阶导数法为公知技术，具体方法在此不做介绍。所需说明的是，数据段根据局部极值点分割，则数据段内不存在第一个数据等于最后一个数据的情况。
由此可知该高温连通域的精准温度异常程度的计算公式为：
当时，或者当/>且/>时，/>的获取方式如下：
当且/>时，/>的获取方式如下：
其中为该高温连通域的精准温度异常程度，D为该高温连通域的温度异常程度，为环境温度的影响特征，/>为设定的环境温度的影响特征，x为温度差值集合/>中为负的数据数量，/>为设定的负数数量阈值，q为背景温度集合/>划分的递减数据段的数量，/>为设定的递减数据段的数量阈值，/>为背景温度集合/>划分的第g个递减数据段的下降特征，为背景温度集合/>划分的第g个递减数据段内的数据均值，/>为背景温度集合/>中的最大值，n为待增强红外热图像和对应的所有参考红外热图像的数量，/>为背景温度集合/>划分的第g个递减数据段内的数据数量，/>和/>分别为背景温度集合/>划分的第g个递减数据段内的最大值和最小值，/>为线性归一化函数，将数据值归一化至[0,1]区间内，本实施例中以/>，/>，/>为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
所需说明的是：当温度差值集合中为负的数据数量x小于等于设定的负数数量阈值/>时，或者当温度差值集合/>中为负的数据数量x大于设定的负数数量阈值/>时，且背景温度集合/>划分的递减数据段的数量q小于等于设定的递减数据段的数量阈值/>时，说明此时的该高温区域随时间变化的过程中不存在降温，或者此时的该高温区域随时间变化的过程中的降温不是由于周围环境温度下降造成的，则令环境温度的影响特征/>为设定的环境温度的影响特征/>；当温度差值集合/>中为负的数据数量x大于设定的负数数量阈值/>时，且背景温度集合/>划分的递减数据段的数量q大于设定的递减数据段的数量阈值/>时，说明此时的该高温区域随时间变化的过程中的降温可能由于周围环境温度下降造成，因此需要进一步分析环境温度变化特征，已知当环境温度下降越大，且持续时间越长时，此时环境温度对高温区域随时间变化的影响越大，故用归一化的/>为/>的调整值，两者乘积/>为背景温度集合/>划分的第g个递减数据段的下降特征，而环境温度越低时，对高温区域随时间变化的影响越大，因此用/>的归一化值为/>的权重，用2减去其加权平均为环境温度的影响特征/>，至此用/>为D的调整值，两者乘积的归一化值为该高温连通域的精准温度异常程度/>。
按照上述方式，获取待增强红外热图像内每个高温连通域的精准温度异常程度。
步骤S005：根据所有高温连通域的精准温度异常程度和所有高温连通域的温度，确定待增强红外热图像对应的锐化系数。
已知反锐化掩模算法中较小的锐化系数会导致图像可能看起来更平滑，但不够清晰，而较大的锐化系数可能会导致图像出现过度增强。因此当待增强红外热图像内每个高温连通域的精准温度异常程度越大时，需要越大的锐化系数，突显图像内的细节信息，保障后续图像内故障高温区域识别的准确性。
本实施例设定的锐化系数的取值范围为[0.5,1]，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。则待增强红外热图像对应的锐化系数P的计算公式为：
其中P为待增强红外热图像对应的锐化系数，为待增强红外热图像内第t个高温连通域的精准温度异常程度，/>为待增强红外热图像内第t个高温连通域内的像素点灰度均值，/>为待增强红外热图像内所有高温连通域内的像素点灰度均值之和。
所需说明的是：电动汽车充电时起火是由于某部位过热导致的，故当待增强红外热图像内的高温连通域内的温度越高，即越大时，该高温连通域越重要，因此用归一化的为/>的权重，加权平均/>为待增强红外热图像内的精准温度异常程度，由此获取待增强红外热图像对应的锐化系数P。
步骤S006：根据待增强红外热图像对应的锐化系数，使用反锐化掩模算法对待增强红外热图像进行对比度增强处理，获得电动汽车充电时的增强红外热图像；根据增强红外热图像，识别故障高温区域。
根据待增强红外热图像对应的锐化系数P，使用反锐化掩模算法对待增强红外热图像进行对比度增强处理，获取高质量的电动汽车充电时的增强红外热图像。其中，反锐化掩模算法为公知技术，具体方法在此不做介绍。
本发明实施例采用深度神经网络（Deep-Neural-Networks，DNN）来识别分割高质量的电动汽车充电时的增强红外热图像内电动汽车区域内的故障高温区域，本实施例的深度神经网络采用的是DeepLabV3网络。
深度神经网络的相关内容如下：
使用的数据集为经过本实施例上方式增强后的高质量的电动汽车充电时的增强红外热图像数据集。
需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于正常区域的标注为0，属于电动汽车区域内的故障高温区域的标注为1。
网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
通过深度神经网络获得高质量的电动汽车充电时的增强红外热图像内电动汽车区域内的准确的故障高温区域，当检测到故障高温区域时，先立刻停止充电，再结合烟雾感应报警器、带有生物信息识别的监控摄像机、红外幕帘探测器采集信息，判断是否启动应急启动的防火卷帘、喷淋头和喷淋泵，以及进行语音播报，由此完成电动汽车防火安全检测。
至此，本发明完成。
综上所述，在本发明实施例中，根据待增强红外热图像与其对应的参考红外热图像内的高温连通域和参考高温连通域，获得温度集合和散热速率集合，由此确定高温连通域随时间变化的散热异常。再结合高温连通域内所有射线对应的射线差值集合，确定高温连通域的散热异常程度，根据温度差值集合，确定高温连通域的升温异常程度，进而确定高温连通域的温度异常程度，再根据环境温度的影响特征，确定高温连通域的精准温度异常程度，由此获取待增强红外热图像对应的锐化系数，使用反锐化掩模算法进行对比度增强处理，获得高质量的电动汽车充电时的增强红外热图像，从而精准识别故障高温区域。当待增强红外热图像内高温连通域内的温度异常程度较大时，赋予较大的锐化系数，用以突显图像内的细节信息，保障后续图像内故障高温区域识别的准确性；当待增强红外热图像内高温连通域内的温度异常程度较小时，赋予较小的锐化系数，避免图像出现过度增强产生伪影，影响故障高温区域的识别。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.基于红外热图的电动汽车防火安全检测方法，其特征在于，该方法包括以下步骤：
步骤S001：使用红外热像仪采集电动汽车充电时的红外热图像，红外热图像包括待增强红外热图像和待增强红外热图像对应的若干参考红外热图像，从待增强红外热图像开始，取其后续一分钟内采集的待增强红外热图像，记为参考红外热图像；将待增强红外热图像分割为电动汽车区域和背景区域，再分割出电动汽车区域内的高温区域，将高温区域内连续相邻的像素点构成的连通域记为高温连通域；
步骤S002：根据待增强红外热图像内的高温连通域和待增强红外热图像对应的所有参考红外热图像内的参考高温连通域，确定温度集合和散热速率集合；根据温度集合与散热速率集合之间的关系，确定高温连通域随时间变化的散热异常；
步骤S003：根据高温连通域随时间变化的散热异常和高温连通域内所有射线上相邻像素点的灰度差异，确定高温连通域的散热异常程度；根据温度集合内相邻数据的差异，确定高温连通域的升温异常程度；根据高温连通域的升温异常程度和高温连通域的散热异常程度，确定高温连通域的温度异常程度；
步骤S004：根据待增强红外热图像内的背景区域和待增强红外热图像对应的所有参考红外热图像内的参考背景区域，确定背景温度集合；区分背景温度集合内的若干个递减数据段，根据所有递减数据段和温度差值集合内的数据特征，确定环境温度的影响特征；根据环境温度的影响特征和高温连通域的温度异常程度，确定高温连通域的精准温度异常程度；
步骤S005：根据所有高温连通域的精准温度异常程度和所有高温连通域的温度，确定待增强红外热图像对应的锐化系数；
步骤S006：根据待增强红外热图像对应的锐化系数，使用反锐化掩模算法对待增强红外热图像进行对比度增强处理，获得电动汽车充电时的增强红外热图像；根据增强红外热图像，识别故障高温区域；
所述根据待增强红外热图像内的高温连通域和待增强红外热图像对应的所有参考红外热图像内的参考高温连通域，确定温度集合和散热速率集合，包括的具体步骤如下：
根据待增强红外热图像内高温连通域内的像素点坐标位置，获取待增强红外热图像对应的所有参考红外热图像内的高温连通域，记为参考高温连通域；
分别计算高温连通域和其对应的所有参考高温连通域内的像素点灰度均值，记为高温连通域和每个参考高温连通域内的温度；
分别计算高温连通域和其对应的所有参考高温连通域内的像素点灰度梯度均值，记为高温连通域和每个参考高温连通域内的散热速率；
根据待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序，将高温连通域和其对应的所有参考高温连通域内的温度和散热速率分别构成温度集合和散热速率集合；
所述根据温度集合与散热速率集合之间的关系，确定高温连通域随时间变化的散热异常对应的具体计算公式为：
当时，E的获取方式如下：
当时，E的获取方式如下：
其中E为高温连通域随时间变化的散热异常，为温度集合，/>为散热速率集合，为温度集合中的数据与散热速率集合中的数据的协方差，/>为预设的协方差阈值，/>为以自然常数为底的指数函数，k为预设的指数函数调整值；
所述根据温度集合内相邻数据的差异，确定高温连通域的升温异常程度；根据高温连通域的升温异常程度和高温连通域的散热异常程度，确定高温连通域的温度异常程度，包括的具体步骤如下：
依次计算温度集合中后一个数据减去前一个数据的差值，得到温度差值集合；
若温度差值集合中为负的数据数量小于等于预设的负数数量阈值时，令高温区域随时间变化的降温特征为预设的降温特征；
若温度差值集合中为负的数据数量大于预设的负数数量阈值时，根据温度差值集合中为负的数据数量和温度差值集合中所有为负的数据值，确定高温区域随时间变化的降温特征；
将高温区域随时间变化的降温特征和温度差值集合中的数据方差的乘积，记为高温连通域的升温异常程度；
将高温连通域的散热异常程度的归一化值和高温连通域的升温异常程度的乘积，记为高温连通域的温度异常程度；
所述根据待增强红外热图像内的背景区域和待增强红外热图像对应的所有参考红外热图像内的参考背景区域，确定背景温度集合；区分背景温度集合内的若干个递减数据段，根据所有递减数据段和温度差值集合内的数据特征，确定环境温度的影响特征；根据环境温度的影响特征和高温连通域的温度异常程度，确定高温连通域的精准温度异常程度，包括的具体步骤如下：
根据待增强红外热图像内背景区域内的像素点坐标位置，获取待增强红外热图像对应的所有参考红外热图像内的背景区域，记为参考背景区域；
分别计算背景区域和其对应的所有参考背景区域内的像素点灰度均值，记为背景区域和每个参考背景区域内的温度；
根据待增强红外热图像和其对应的所有参考红外热图像采集的时间顺序，将背景区域和其对应的所有参考背景区域内的温度构成背景温度集合；
使用一阶导数法获取背景温度集合中的局部极值点，根据背景温度集合中的局部极值点，将背景温度集合划分为若干个数据段；将数据段内第一个数据大于最后一个数据的数据段记为递减数据段；
若温度差值集合中为负的数据数量小于等于预设的负数数量阈值时，或者温度差值集合中为负的数据数量大于预设的负数数量阈值，且背景温度集合划分的递减数据段的数量小于等于预设的递减数据段的数量阈值时，令环境温度的影响特征为预设的环境温度的影响特征；
若温度差值集合中为负的数据数量大于预设的负数数量阈值，且背景温度集合划分的递减数据段的数量大于预设的递减数据段的数量阈值时，根据背景温度集合划分的递减数据段内的数据数量的归一化值和背景温度集合划分的递减数据段内最大值减去最小值的差的乘积，记为背景温度集合划分的递减数据段的下降特征；
根据背景温度集合划分的所有递减数据段的下降特征和背景温度集合划分的所有递减数据段内的数据均值，确定环境温度的影响特征；
将环境温度的影响特征和高温连通域的温度异常程度的乘积的归一化值，记为高温连通域的精准温度异常程度；
所述根据所有高温连通域的精准温度异常程度和所有高温连通域的温度，确定待增强红外热图像对应的锐化系数，包括的具体步骤如下：
将高温连通域内的像素点灰度均值除以所有高温连通域内的像素点灰度均值之和的商，记为高温连通域的精准温度异常程度的权重；
将所有高温连通域的精准温度异常程度和所有高温连通域的精准温度异常程度的权重的乘积之和，记为待增强红外热图像内的精准温度异常程度；
根据待增强红外热图像内的精准温度异常程度和预设的锐化系数的取值范围，确定待增强红外热图像对应的锐化系数。
2.根据权利要求1所述基于红外热图的电动汽车防火安全检测方法，其特征在于，所述将待增强红外热图像分割为电动汽车区域和背景区域，再分割出电动汽车区域内的高温区域，包括的具体步骤如下：
将红外热像仪采集的无电动汽车时的红外热图像，记为背景红外热图像；
对待增强红外热图像和背景红外热图像进行图像差分，得到待增强红外热图像内的电动汽车区域和背景区域；
使用大津算法求取电动汽车区域内的高温分割阈值，令电动汽车区域内灰度值小于高温分割阈值的像素点灰度值为0，令电动汽车区域内灰度值大于等于高温分割阈值的像素点灰度值为1，得到二值电动汽车区域；使用预设的结构元素对二值电动汽车区域进行形态学开运算处理，得到开运算后的二值电动汽车区域；
根据开运算后的二值电动汽车区域和电动汽车区域内的像素点一一对应关系，得到电动汽车区域内的高温区域和低温区域。
3.根据权利要求1所述基于红外热图的电动汽车防火安全检测方法，其特征在于，所述根据高温连通域随时间变化的散热异常和高温连通域内所有射线上相邻像素点的灰度差异，确定高温连通域的散热异常程度，包括的具体步骤如下：
从高温连通域内的中心像素点开始，分别沿中心像素点的八邻域方向做射线，获取高温连通域内的y条射线，y为预设的射线数量；
在高温连通域内从中心像素点开始，沿高温连通域内对应的一条射线逐像素点遍历，按照遍历顺序依次计算前一个像素点灰度值减去后一个像素点灰度值的差值，得到射线差值集合；
将高温连通域内所有射线对应的射线差值集合中的数据方差的归一化值的均值和高温连通域随时间变化的散热异常的乘积，记为高温连通域的散热异常程度。
4.根据权利要求1所述基于红外热图的电动汽车防火安全检测方法，其特征在于，所述根据温度差值集合中为负的数据数量和温度差值集合中所有为负的数据值，确定高温区域随时间变化的降温特征对应的具体计算公式为：
当时，w的获取方式如下：
其中w为高温区域随时间变化的降温特征，n为待增强红外热图像和对应的所有参考红外热图像的数量，x为温度差值集合中为负的数据数量，为预设的负数数量阈值，/>为温度差值集合中第j个为负的数据值，/>为温度差值集合中所有为负的数据值之和，a为预设的常数。
5.根据权利要求1所述基于红外热图的电动汽车防火安全检测方法，其特征在于，所述根据背景温度集合划分的所有递减数据段的下降特征和背景温度集合划分的所有递减数据段内的数据均值，确定环境温度的影响特征对应的具体计算公式为：
当且/>时，/>的获取方式如下：
其中为环境温度的影响特征，x为温度差值集合中为负的数据数量，/>为预设的负数数量阈值，q为背景温度集合划分的递减数据段的数量，/>为预设的递减数据段的数量阈值，/>为背景温度集合划分的第g个递减数据段的下降特征，/>为背景温度集合划分的第g个递减数据段内的数据均值，/>为背景温度集合中的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083894.0A CN116823676B (zh) | 2023-08-28 | 2023-08-28 | 基于红外热图的电动汽车防火安全检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083894.0A CN116823676B (zh) | 2023-08-28 | 2023-08-28 | 基于红外热图的电动汽车防火安全检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116823676A CN116823676A (zh) | 2023-09-29 |
| CN116823676B true CN116823676B (zh) | 2023-11-21 |
Family
ID=88114770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311083894.0A Active CN116823676B (zh) | 2023-08-28 | 2023-08-28 | 基于红外热图的电动汽车防火安全检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823676B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455779B (zh) * | 2023-12-22 | 2024-03-26 | 天津市胸科医院 | 一种医疗超声影像仪辅助增强系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2264643A1 (en) * | 2009-06-19 | 2010-12-22 | Universidad de Castilla-La Mancha | Surveillance system and method by thermal camera |
| CN110529186A (zh) * | 2019-09-11 | 2019-12-03 | 上海同岩土木工程科技股份有限公司 | 基于红外热成像的隧道结构渗漏水精确识别装置和方法 |
| KR20220026170A (ko) * | 2020-08-25 | 2022-03-04 | 엘아이지넥스원 주식회사 | 적외선 영상에서 표적 검출 방법 및 장치 |
| CN115345802A (zh) * | 2022-10-18 | 2022-11-15 | 苏州迈创信息技术有限公司 | 一种机电设备运行状态远程监控方法 |
| JP2023004188A (ja) * | 2021-06-25 | 2023-01-17 | 株式会社Ｊｖｃケンウッド | 画像処理装置、画像処理方法およびプログラム |
| CN116205910A (zh) * | 2023-04-27 | 2023-06-02 | 四川省港奇电子有限公司 | 一种电源适配器用注塑温度自适应学习调控系统 |
| CN116245880A (zh) * | 2023-05-09 | 2023-06-09 | 深圳市银河通信科技有限公司 | 基于红外识别的电动车充电桩火灾风险检测方法 |
| CN116520915A (zh) * | 2023-06-28 | 2023-08-01 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制系统 |
| CN116543238A (zh) * | 2023-07-06 | 2023-08-04 | 深圳市天迈通信技术有限公司 | 一种电缆绝缘层的图像检测方法 |
-
2023
- 2023-08-28 CN CN202311083894.0A patent/CN116823676B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2264643A1 (en) * | 2009-06-19 | 2010-12-22 | Universidad de Castilla-La Mancha | Surveillance system and method by thermal camera |
| CN110529186A (zh) * | 2019-09-11 | 2019-12-03 | 上海同岩土木工程科技股份有限公司 | 基于红外热成像的隧道结构渗漏水精确识别装置和方法 |
| KR20220026170A (ko) * | 2020-08-25 | 2022-03-04 | 엘아이지넥스원 주식회사 | 적외선 영상에서 표적 검출 방법 및 장치 |
| JP2023004188A (ja) * | 2021-06-25 | 2023-01-17 | 株式会社Ｊｖｃケンウッド | 画像処理装置、画像処理方法およびプログラム |
| CN115345802A (zh) * | 2022-10-18 | 2022-11-15 | 苏州迈创信息技术有限公司 | 一种机电设备运行状态远程监控方法 |
| CN116205910A (zh) * | 2023-04-27 | 2023-06-02 | 四川省港奇电子有限公司 | 一种电源适配器用注塑温度自适应学习调控系统 |
| CN116245880A (zh) * | 2023-05-09 | 2023-06-09 | 深圳市银河通信科技有限公司 | 基于红外识别的电动车充电桩火灾风险检测方法 |
| CN116520915A (zh) * | 2023-06-28 | 2023-08-01 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制系统 |
| CN116543238A (zh) * | 2023-07-06 | 2023-08-04 | 深圳市天迈通信技术有限公司 | 一种电缆绝缘层的图像检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Difference method for analysing infrared images in pigs with elevated body temperatures";Carsten Siewert等;《Zeitschrift fur Medizinische Physik》;第24卷(第1期);全文 * |
| 基于红外成像技术的电气设备故障检测;刘齐;王茂军;高强;李晓明;石林;;电测与仪表(第10期);全文 * |
| 基于计算机视觉的电缆终端表面温升分析系统;杨可;刘明军;毛欣;夏维建;刘伟;周旋;吴炜;周凯;;电视技术(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116823676A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116823676B (zh) | 基于红外热图的电动汽车防火安全检测方法 | |
| Huang et al. | Radial basis function based neural network for motion detection in dynamic scenes | |
| CN110555870B (zh) | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 | |
| US11227156B2 (en) | Personalized eye openness estimation | |
| CN108710637B (zh) | 基于时空关系的出租车异常轨迹实时检测方法 | |
| CN107368770B (zh) | 一种回头客自动识别方法及系统 | |
| CN105809890B (zh) | 面向校车安全的遗漏孩童检测方法 | |
| CN110503092B (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
| CN104156691A (zh) | 一种基于图像处理的检测行人翻越闸机的监控方法 | |
| CN111613240A (zh) | 一种基于注意力机制和Bi-LSTM的伪装语音检测方法 | |
| CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
| CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN117690303B (zh) | 一种基于交通数据采集的噪声预警系统、装置及预警方法 | |
| CN103413138B (zh) | 一种红外图像序列中点目标检测方法 | |
| CN111046769A (zh) | 一种排队时长检测方法、装置及系统 | |
| CN117496624A (zh) | 一种基于多算法融合的车牌识别方法及系统 | |
| Astapov et al. | Military vehicle acoustic pattern identification by distributed ground sensors | |
| CN116740771A (zh) | 一种指纹识别方法 | |
| CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
| CN113824518B (zh) | 基于频谱的非合作信号检测方法 | |
| CN115965883A (zh) | 一种基于Transformer的烟雾检测算法 | |
| CN116363542A (zh) | 到离岗事件检测方法、装置、设备及计算机可读存储介质 | |
| CN114104878A (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
| CN113033396A (zh) | 基于特征融合的变频管道过球指示装置及过球检测方法 | |
| CN112307916A (zh) | 一种基于可见光摄像机的报警监控方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |