CN117011355B - 一种基于数字图像处理技术的换流站防灾系统及方法 - Google Patents
一种基于数字图像处理技术的换流站防灾系统及方法 Download PDFInfo
- Publication number
- CN117011355B CN117011355B CN202310930305.1A CN202310930305A CN117011355B CN 117011355 B CN117011355 B CN 117011355B CN 202310930305 A CN202310930305 A CN 202310930305A CN 117011355 B CN117011355 B CN 117011355B
- Authority
- CN
- China
- Prior art keywords
- combustion
- disaster prevention
- sound insulation
- images
- 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.)
- Active
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000011049 filling Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000002485 combustion reaction Methods 0.000 claims description 76
- 238000009413 insulation Methods 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 14
- 239000000779 smoke Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 8
- 238000009423 ventilation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及防灾技术领域，具体公开了一种基于数字图像处理技术的换流站防灾系统及方法，其中双目深度估计单元使用SGBM算法处理得到视差图，对视差图使用空洞填充滤波算法来填充视差图中的噪点，根据使用空洞填充滤波算法后的视差图计算图像的深度，本发明通过使用基于改进Unet网络的火焰检测模型来检测火焰，在检测精度和检测速度上都能满足实际需求，相比原始Unet网络，改进Unet网络检测效果提升明显，ResNet50主干网络比原主干网络能有更好的特征提取能力，能从输入图像中提取出更精准有效的火焰特征，帮助模型更好的进行学习；而损失函数的改进则改善了数据集中火焰样本和背景样本不平衡的问题，使模型进行更好的进行拟合。
Description
技术领域
本发明涉及防灾技术领域，具体的，涉及一种基于数字图像处理技术的换流站防灾系统及方法。
背景技术
换流站是电力系统的重要设施之一，是高压交直流电能转换的核心环节。然而，由于换流变高电压、大负荷的工作特性，换流站通常会存在着较大的火灾隐患，一旦发生火灾，火势将会迅速蔓延。由于换流站设备的特殊性质，如隔离、冷却、遮蔽等措施，火势的扑灭将十分困难，将对整个电力系统的安全运行产生极其严重的影响。
进一步的，在换流站中的电力设备和电气元件的高负荷运行会导致局部温度升高，从而增加火灾发生的概率。而噪声问题往往与设备的运行状况和负荷有关。高负荷运行的设备通常会产生较高的噪声水平，而这些噪声也会引起设备的振动和热量积聚，从而增加了火灾的风险。其次，在设备运行过程中，可能由于电气故障或绝缘材料老化等原因，导致局部放电或电弧放电的发生，进而引发火灾。而噪声治理措施可以通过改善设备的绝缘性能和电气接触，减少电弧放电的可能性。目前，换流变压器的噪声治理常见技术是可移动式BOX-I N，用一个顶面可移动开闭，四周封闭的六面体隔声罩将换流装置罩住以隔绝噪声。虽然BOX-I N结构隔声装置可以有良好的隔声效果，但它会严重影响换流变压器内部的散热，导致较大的火灾隐患。
鉴于此，本发明提供一种基于数字图像处理技术的换流站防灾系统及方法，用于及时发现火情并精确定位起火点。
发明内容
本发明的目的在于提供一种基于数字图像处理技术的换流站防灾系统及方法，解决以下技术问题：
如何及时发现火情并精确定位起火点。
本发明的目的可以通过以下技术方案实现：
一种基于数字图像处理技术的换流站防灾系统，包括：
检测模块，用于对换流站进行检测，确定是否存在燃烧特征物，其中燃烧特征物包括火焰和烟雾；
所述检测模块使用改进Unet模型，所述改进Unet模型使用ResNet-50网络提取燃烧特征物图像的特征，所述改进Unet模型的损失函数使用Focal Loss和Dice Loss的线性组合；
定位模块，包括双目定位装置和双目深度估计单元，所述双目深度估计单元使用SGBM算法处理得到视差图，对所述视差图使用空洞填充滤波算法来填充视差图中的噪点，提高所述视差图质量，根据使用空洞填充滤波算法后的视差图计算图像的深度。
通过上述技术方案：于本实施例中，使用基于改进Unet网络的火焰检测模型来检测火焰，在检测精度和检测速度上都能满足实际需求，相比原始Unet网络，改进Unet网络检测效果提升明显，ResNet50主干网络比原主干网络能有更好的特征提取能力，能从输入图像中提取出更精准有效的火焰特征，帮助模型更好的进行学习；而损失函数的改进则改善了数据集中火焰样本和背景样本不平衡的问题，减轻模型向某一类别的倾斜，得到更准确的损失函数，从而使模型进行更好的进行拟合。
作为本发明的进一步技术方案：所述空洞填充滤波算法的步骤包括：
计算视差图的离散积分图，保存积分图中每一点累加的像素个数；
遍历视差图，更改每个像素点的值为对应的积分图中附近5*5窗口的灰度值的平均值；
多层次高斯滤波，首先用大窗口滤波填充空洞区域，再用小窗口调整修改细节的值。
通过上述技术方案：在经过SGBM算法处理得到的视差图一般还是会有许多噪点，通过空洞填充滤波算法的方式来填充视差图中的噪点，提高视差图质量，从而在后续的深度分析中提升分析精度。
作为本发明的进一步技术方案：所述改进Unet模型的主干部分采用ResNet50，并加载ResNet50在ImageNet数据集上的预训练权重，所述改进Unet模型的上采样部分和后续处理部分全部采用随机初始化权重。
作为本发明的进一步技术方案：所述双目深度估计单元通过采集两个视角的图像，并对它们进行分析处理，以获取像素点相对于相机的深度距离和进行三维重建。
作为本发明的进一步技术方案：所述双目深度估计单元通过采集两个视角的图像，并对它们进行分析处理，以获取像素点相对于相机的深度距离和进行三维重建。
作为本发明的进一步技术方案：分析处理过程包括：
双目标定：确定双目相机的相对位置和方向，即计算两个相机之间的基线长度和相对旋转矩阵，以便后续的立体匹配和深度计算。
立体矫正：对齐左右两个相机的视角，以便进行有效的立体匹配；
立体匹配：在两个对齐的图像中找到对应的像素点；
视差计算：将像素之间的视差转换为深度值；
深度计算：将视差值转换为场景中的深度值。
作为本发明的进一步技术方案：所述换流站防灾系统包括：
隔声防灾装置，所述隔声防灾装置由限位导轨、双层隔声板、限位开关、定向从动轮、电机驱动轮以及可伸缩防尘罩组成；
控制模块，所述控制模块获取救灾人员的预计抵达时间并根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态。
作为本发明的进一步技术方案：根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态的过程包括：
当识别到燃烧特征物出现后，使用ResNet-50网络提取燃烧特征物图像的特征的过程中，按照时间顺序，等时间间隔的保存若干张燃烧特征物图像，分别提取所有燃烧特征物的特征，并记录每张图像提取的特征物数量；
将等时间间隔的保存若干张燃烧特征物图像输入空洞填充滤波算法中，获取每张燃烧特征物图像对应积分图中每一点累加的像素个数；
通过公式：
获取燃烧特征物在救灾人员的预计抵达时间的预测体积系数Vp，其中μ1和μ2是预设的权重系数，N(t)是基于等时间间隔的保存若干张燃烧特征物图像获得的特征物数量在以时间轴为横坐标获取的数据点拟合获取的曲线，M(t)是基于等时间间隔的保存若干张燃烧特征物图像获取的对应积分图中每一点累加的像素个数以时间轴为横坐标获取的数据点拟合获取的曲线，t1是若干张燃烧特征物图像第一张图像获取的时间点，t2是若干张燃烧特征物图像最后一张图像获取的时间点，T是救灾人员的预计抵达时间的时间间隔，σT是时间整合系数；
根据获取的预测体积系数Vp确定是否控制双层隔声板开启。
作为本发明的进一步技术方案：所述获取的预测体积系数Vp确定是否控制双层隔声板开启的过程包括：
将获取的预测体积系数Vp与预设比对区间[V1,V2]进行比对；
若Vp超过预设比对区间[V1,V2]，则判断在救灾人员抵达时烟雾浓度超标，需要提前控制双层隔声板开启隔声防灾装置；
若Vp落入预设比对区间[V1,V2]，则判断在救灾人员抵达时烟雾浓度处于中间状态，不开启隔声防灾装置，在新的时间段内再次获取若干张燃烧特征物图像，然后在新的时间段内再次获取新的预测体积系数Vp，并再次与预设比对区间[V1,V2]进行比对；
若Vp小于预设比对区间[V1,V2]，则判断在救灾人员抵达时烟雾浓度较低，不影响视线，不开启隔声防灾装置。
通过上述技术方案：通过公式(1)获取燃烧特征物在救灾人员的预计抵达时间的预测体积系数Vp，预测体积系数Vp是基于每张图像提取的特征物数量和每张燃烧特征物图像对应积分图中每一点累加的像素个数获取的，其中燃烧特征物面积越大则图像提取的特征物数量越多，也就是图像提取的特征物数量代表燃烧特征物的平面面积，每张燃烧特征物图像对应积分图中每一点累加的像素个数是从双目深度估计中提取的数据，代表的图像中燃烧物距离双目摄像头的远近，数据越大则距离双目摄像头越近，综合来说，在广度和深度上对燃烧特征物在救灾人员的预计抵达时间的体积进行预估，并根据预估更为精确的控制隔声防灾装置的通风情况，最大程度避免了因为通风导致的火势增加问题。
本发明还提供了一种基于数字图像处理技术的换流站防灾方法，包括如下步骤：
S1、使用检测模块检测通过图像分析是否出现燃烧特征物；
S2、使用定位模块对第一幅燃烧特征物的图像进行分析，基于双目深度估计单元获取燃烧特征物出现时的位置；
S3、控制模块获取救灾人员的预计抵达时间并根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态。
本发明的有益效果：
(1)本发明通过使用基于改进Unet网络的火焰检测模型来检测火焰，在检测精度和检测速度上都能满足实际需求，相比原始Unet网络，改进Unet网络检测效果提升明显，ResNet50主干网络比原主干网络能有更好的特征提取能力，能从输入图像中提取出更精准有效的火焰特征，帮助模型更好的进行学习；而损失函数的改进则改善了数据集中火焰样本和背景样本不平衡的问题，减轻模型向某一类别的倾斜，得到更准确的损失函数，从而使模型进行更好的进行拟合。
(2)本发明经过SGBM算法处理得到的视差图一般还是会有许多噪点，通过空洞填充滤波算法的方式来填充视差图中的噪点，提高视差图质量，从而在后续的深度分析中提升分析精度。
(3)本发明在广度和深度上对燃烧特征物在救灾人员的预计抵达时间的体积进行预估，并根据预估更为精确的控制隔声防灾装置的通风情况，最大程度避免了因为通风导致的火势增加问题。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明双目深度估计流程图；
图2是本发明防灾隔声罩机械结构示意图；
图3是本发明的防灾系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-3所示，在一个实施例中，提供了一种基于数字图像处理技术的换流站防灾系统，包括：
检测模块，用于对换流站进行检测，确定是否存在燃烧特征物，其中燃烧特征物包括火焰和烟雾；
所述检测模块使用改进Unet模型，所述改进Unet模型使用ResNet-50网络提取燃烧特征物图像的特征，所述改进Unet模型的损失函数使用Focal Loss和Dice Loss的线性组合，Unet模型、ResNet-50网络以及Focal Loss和Dice Loss的线性组合均属于现有技术，故不作赘述；
需要说明的是，在训练过程中，由于换流站具有火焰检测场景存在数据量少，语义信息较简单的特点，选择Unet为基础网络开展研究。改进Unet算法后，基于Pytorch深度学习框架搭建了基于原始Unet网络和基于改进Unet网络的火焰检测模型，具体参数见表1所示。
表1
模型初始化仍然都采用迁移学习的策略，对于原始Unet模型，直接加载原作者提供的预训练权重；对于改进Unet模型，主干部分因为使用的是ResNet50，所以可以加载ResNet50在ImageNet数据集上的预训练权重，上采样部分和后续处理部分全部采用随机初始化权重，基于原始Unet网络和基于改进Unet网络的火焰检测模型一共都训练了150代，两个模型前50代都冻住主干网络进行训练，之后解冻整个网络使用较小学习率微调直到收敛，训练结束后，同样挑选原始Unet模型和改进Unet模型中的最优模型作为最终的模型进行测试、评估、和对比。
定位模块，包括双目定位装置和双目深度估计单元，所述双目深度估计单元使用SGBM算法处理得到视差图，对所述视差图使用空洞填充滤波算法来填充视差图中的噪点，提高所述视差图质量，根据使用空洞填充滤波算法后的视差图计算图像的深度。
通过上述技术方案：于本实施例中，使用基于改进Unet网络的火焰检测模型来检测火焰，在检测精度和检测速度上都能满足实际需求，相比原始Unet网络，改进Unet网络检测效果提升明显，ResNet50主干网络比原主干网络能有更好的特征提取能力，能从输入图像中提取出更精准有效的火焰特征，帮助模型更好的进行学习；而损失函数的改进则改善了数据集中火焰样本和背景样本不平衡的问题，减轻模型向某一类别的倾斜，得到更准确的损失函数，从而使模型进行更好的进行拟合。
所述空洞填充滤波算法的步骤包括：
计算视差图的离散积分图，保存积分图中每一点累加的像素个数；
遍历视差图，更改每个像素点的值为对应的积分图中附近5*5窗口的灰度值的平均值；
多层次高斯滤波，首先用大窗口滤波填充空洞区域，再用小窗口调整修改细节的值，这样既能填充空洞区域，同时也避免了图像被过度平滑。
通过上述技术方案：于本实施例中，在经过SGBM算法处理得到的视差图一般还是会有许多噪点，通过空洞填充滤波算法的方式来填充视差图中的噪点，提高视差图质量，从而在后续的深度分析中提升分析精度。
所述改进Unet模型的主干部分采用ResNet50，并加载ResNet50在ImageNet数据集上的预训练权重，所述改进Unet模型的上采样部分和后续处理部分全部采用随机初始化权重，ImageNet数据集是计算机视觉领域常用的数据集。
所述双目深度估计单元通过采集两个视角的图像，并对它们进行分析处理，以获取像素点相对于相机的深度距离和进行三维重建。
所述双目深度估计单元通过采集两个视角的图像，并对它们进行分析处理，以获取像素点相对于相机的深度距离和进行三维重建。
分析处理过程包括：
双目标定：确定双目相机的相对位置和方向，即计算两个相机之间的基线长度和相对旋转矩阵，以便后续的立体匹配和深度计算。
立体矫正：对齐左右两个相机的视角，以便进行有效的立体匹配，这可以通过对图像进行校正、旋转和平移来实现；
立体匹配：在两个对齐的图像中找到对应的像素点，这个过程通常涉及计算像素之间的视差，即像素在左右两个图像中的位置偏移量；
视差计算：将像素之间的视差转换为深度值，这个过程涉及计算相机内参、基线长度和像素视差之间的关系；
深度计算：将视差值转换为场景中的深度值，这个过程通常涉及消除误差和噪声，并使用各种算法来提高深度计算的精度和鲁棒性。
示例性的，参考图1，在双目深度估计进行过程中，首先安装固定双目相机，调整相机的参数使其能正常获取图像。然后通过双目相机拍摄棋盘格图片进行相机标定得到双目相机的内外参数矩阵以便后续使用。在实际检测时首先通过双目相机拍摄两幅图像，使用相机的内外参数矩阵进行立体矫正，将拍摄的图像矫正为理想情况下的双目图像，然后将矫正后的双目图像使用SGBM算法进行立体匹配，得到初步视差图，再使用空洞填充滤波算法算法进行视差图填充和滤波，得到最终视差图，最后再根据视差图计算图像的深度。
所述换流站防灾系统包括：
隔声防灾装置，所述隔声防灾装置由限位导轨、双层隔声板、限位开关、定向从动轮、电机驱动轮以及可伸缩防尘罩组成；
控制模块，所述控制模块获取救灾人员的预计抵达时间并根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态。
示例性的，参考图3，换流站防灾系统主要功能有接收来自烟温一体传感器、火灾检测定位和限位器信号并做出反应、按钮和遥控器控制电机驱动轮以及连接网络传递数据，其主要模块可分为遥控控制、按钮控制、电机驱动轮、ESP8266WIFI模块、STM32F103ZET6微处理器以及传感器，本系统以STM32F103ZET6为核心，接收来自传感器和WIFI模块的信号并控制电机驱动轮以及返回信息，最后将上述各个模块整合并利用Altium Designer完成元器件库的封装。
其中，本系统中软件部分为上位机部分，上位机要实现的功能包括作为服务器端与单片机部分信息交互、接收报警后使用网络摄像头拍摄照片并发送至指定邮箱，开发语言选择了Java，Java语言是一种高级编程语言，用Java语言编写的源程序在计算机上运行需经过编译和解释执行两个严格区分的阶段。Java语言的编译程序先将Java源程序翻译成机器无关的字节码(bytecode)，不是通常的编译程序将源程序翻译成计算机的机器代码。同时项目使用Spring Boot架构，使项目环境的配置更加便捷，同时Java可使用的库较多，使项目实现功能更加便捷。
为方便改变隔声罩状态，增加界面以此来远程操控，提高便利性，界面如图所示，通过界面按钮完成隔声罩的关闭、开启以及电机转速的改变。完成按钮功能只需要实现通过按钮向单片机发送指定信息，单片机通过ESP8266的中断函数判断指令信息，在函数内完成各数据状态的改变。
根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态的过程包括：
当识别到燃烧特征物出现后，使用ResNet-50网络提取燃烧特征物图像的特征的过程中，按照时间顺序，等时间间隔的保存若干张燃烧特征物图像，分别提取所有燃烧特征物的特征，并记录每张图像提取的特征物数量；
将等时间间隔的保存若干张燃烧特征物图像输入空洞填充滤波算法中，获取每张燃烧特征物图像对应积分图中每一点累加的像素个数；
通过公式：
获取燃烧特征物在救灾人员的预计抵达时间的预测体积系数Vp，其中μ1和μ2是预设的权重系数，N(t)是基于等时间间隔的保存若干张燃烧特征物图像获得的特征物数量在以时间轴为横坐标获取的数据点拟合获取的曲线，M(t)是基于等时间间隔的保存若干张燃烧特征物图像获取的对应积分图中每一点累加的像素个数以时间轴为横坐标获取的数据点拟合获取的曲线，t1是若干张燃烧特征物图像第一张图像获取的时间点，t2是若干张燃烧特征物图像最后一张图像获取的时间点，T是救灾人员的预计抵达时间的时间间隔，σT是时间整合系数；
根据获取的预测体积系数Vp确定是否控制双层隔声板开启。
所述获取的预测体积系数Vp确定是否控制双层隔声板开启的过程包括：
将获取的预测体积系数Vp与预设比对区间[V1,V2]进行比对；
若Vp超过预设比对区间[V1,V2]，则判断在救灾人员抵达时烟雾浓度超标，需要提前控制双层隔声板开启隔声防灾装置；
若Vp落入预设比对区间[V1,V2]，则判断在救灾人员抵达时烟雾浓度处于中间状态，不开启隔声防灾装置，在新的时间段内再次获取若干张燃烧特征物图像，然后在新的时间段内再次获取新的预测体积系数Vp，并再次与预设比对区间[V1,V2]进行比对；
若Vp小于预设比对区间[V1,V2]，则判断在救灾人员抵达时烟雾浓度较低，不影响视线，不开启隔声防灾装置。
通过上述技术方案：于本实施例中，通过公式(1)获取燃烧特征物在救灾人员的预计抵达时间的预测体积系数Vp，预测体积系数Vp是基于每张图像提取的特征物数量和每张燃烧特征物图像对应积分图中每一点累加的像素个数获取的，其中燃烧特征物面积越大则图像提取的特征物数量越多，也就是图像提取的特征物数量代表燃烧特征物的平面面积，每张燃烧特征物图像对应积分图中每一点累加的像素个数是从双目深度估计中提取的数据，代表的图像中燃烧物距离双目摄像头的远近，数据越大则距离双目摄像头越近，综合来说，在广度和深度上对燃烧特征物在救灾人员的预计抵达时间的烟雾体积进行预估，并根据预估更为精确的控制隔声防灾装置的通风情况，最大程度避免了因为通风导致的火势增加问题。
本发明还提供了一种基于数字图像处理技术的换流站防灾方法，包括如下步骤：
S1、使用检测模块检测通过图像分析是否出现燃烧特征物；
S1、使用定位模块对第一幅燃烧特征物的图像进行分析，基于双目深度估计单元获取燃烧特征物出现时的位置；
S3、控制模块获取救灾人员的预计抵达时间并根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种基于数字图像处理技术的换流站防灾系统，其特征在于，包括：
检测模块，用于对换流站进行检测，确定是否存在燃烧特征物，其中燃烧特征物包括火焰和烟雾；
所述检测模块使用改进Unet模型，所述改进Unet模型使用ResNet-50网络提取燃烧特征物图像的特征，所述改进Unet模型的损失函数使用Focal Loss和Dice Loss的线性组合；
定位模块，包括双目定位装置和双目深度估计单元，所述双目深度估计单元使用SGBM算法处理得到视差图，对所述视差图使用空洞填充滤波算法来填充视差图中的噪点，根据使用空洞填充滤波算法后的视差图计算图像的深度；
所述换流站防灾系统包括：
隔声防灾装置，所述隔声防灾装置由限位导轨、双层隔声板、限位开关、定向从动轮、电机驱动轮以及可伸缩防尘罩组成；
控制模块，所述控制模块获取救灾人员的预计抵达时间并根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态；
其中，根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态的过程包括：
当识别到燃烧特征物出现后，使用ResNet-50网络提取燃烧特征物图像的特征的过程中，按照时间顺序，等时间间隔的保存若干张燃烧特征物图像，分别提取所有燃烧特征物的特征，并记录每张图像提取的特征物数量；
将等时间间隔的保存若干张燃烧特征物图像输入空洞填充滤波算法中，获取每张燃烧特征物图像对应积分图中每一点累加的像素个数；
通过公式：；
获取燃烧特征物在救灾人员的预计抵达时间的预测体积系数，其中/>和/>是预设的权重系数，/>是基于等时间间隔的保存若干张燃烧特征物图像获得的特征物数量在以时间轴为横坐标获取的数据点拟合获取的曲线，/>是基于等时间间隔的保存若干张燃烧特征物图像获取的对应积分图中每一点累加的像素个数以时间轴为横坐标获取的数据点拟合获取的曲线，/>是若干张燃烧特征物图像第一张图像获取的时间点，/>是若干张燃烧特征物图像最后一张图像获取的时间点，T是救灾人员的预计抵达时间的时间间隔，/>是时间整合系数；
然后根据获取的预测体积系数确定是否控制双层隔声板开启；
根据获取的预测体积系数确定是否控制双层隔声板开启的过程包括：
将获取的预测体积系数与预设比对区间/>进行比对；
若超过预设比对区间/>，则判断在救灾人员抵达时烟雾浓度超标，需要提前控制双层隔声板开启隔声防灾装置；
若落入预设比对区间/>，则判断在救灾人员抵达时烟雾浓度处于中间状态，不开启隔声防灾装置，在新的时间段内再次获取若干张燃烧特征物图像，然后在新的时间段内再次获取新的预测体积系数/>，并再次与预设比对区间/>进行比对；
若小于预设比对区间/>，则判断在救灾人员抵达时烟雾浓度较低，不影响视线，不开启隔声防灾装置。
2.根据权利要求1所述的一种基于数字图像处理技术的换流站防灾系统，其特征在于，所述空洞填充滤波算法的步骤包括：
计算视差图的离散积分图，保存积分图中每一点累加的像素个数；
遍历视差图，更改每个像素点的值为对应的积分图中附近5*5窗口的灰度值的平均值；
多层次高斯滤波，首先用大窗口滤波填充空洞区域，再用小窗口调整修改细节的值。
3.根据权利要求1所述的一种基于数字图像处理技术的换流站防灾系统，其特征在于，所述改进Unet模型的主干部分采用ResNet50，并加载ResNet50在ImageNet数据集上的预训练权重，所述改进Unet模型的上采样部分和后续处理部分全部采用随机初始化权重。
4.根据权利要求1所述的一种基于数字图像处理技术的换流站防灾系统，其特征在于，所述双目深度估计单元通过采集两个视角的图像，并对它们进行分析处理，以获取像素点相对于相机的深度距离和进行三维重建。
5.根据权利要求4所述的一种基于数字图像处理技术的换流站防灾系统，其特征在于，分析处理过程包括：
双目标定：确定双目相机的相对位置和方向，即计算两个相机之间的基线长度和相对旋转矩阵，以便后续的立体匹配和深度计算；
立体矫正：对齐左右两个相机的视角，以便进行有效的立体匹配；
立体匹配：在两个对齐的图像中找到对应的像素点；
视差计算：将像素之间的视差转换为深度值；
深度计算：将视差值转换为场景中的深度值。
6.一种基于数字图像处理技术的换流站防灾方法，其特征在于，应用于如权利要求1-5任一项所述的基于数字图像处理技术的换流站防灾系统，包括如下步骤：
S1、使用检测模块检测通过图像分析是否出现燃烧特征物；
S2、使用定位模块对第一幅燃烧特征物的图像进行分析，基于双目深度估计单元获取燃烧特征物出现时的位置；
S3、控制模块获取救灾人员的预计抵达时间并根据检测模块和定位模块的相关数据控制双层隔声板的启闭状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930305.1A CN117011355B (zh) | 2023-07-27 | 2023-07-27 | 一种基于数字图像处理技术的换流站防灾系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930305.1A CN117011355B (zh) | 2023-07-27 | 2023-07-27 | 一种基于数字图像处理技术的换流站防灾系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011355A CN117011355A (zh) | 2023-11-07 |
| CN117011355B true CN117011355B (zh) | 2024-01-30 |
Family
ID=88575619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310930305.1A Active CN117011355B (zh) | 2023-07-27 | 2023-07-27 | 一种基于数字图像处理技术的换流站防灾系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011355B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2605682C1 (ru) * | 2015-08-18 | 2016-12-27 | Денис Вячеславович Тараканов | Система информационной поддержки управления звеньями газодымозащитной службы при ликвидации пожаров в зданиях |
| KR20170015139A (ko) * | 2015-07-31 | 2017-02-08 | 한국산업기술대학교산학협력단 | 지능형 음원 수집 및 분석을 이용한 음원 방향 탐지 시스템 및 그 방법 |
| CN209277311U (zh) * | 2018-12-04 | 2019-08-20 | 北京绿创声学工程股份有限公司 | 隔声罩消防顶板装置 |
| CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
| CN116051649A (zh) * | 2022-12-08 | 2023-05-02 | 河南科技大学 | 一种结合深度学习与双目视觉的道路障碍物测距方法 |
| CN116309810A (zh) * | 2022-09-09 | 2023-06-23 | 燕山大学 | 一种火灾场景下消防机器人的实时火焰定位方法 |
| KR20230094827A (ko) * | 2021-12-21 | 2023-06-28 | 동아대학교 산학협력단 | 화재 검출 훈련용 이미지 데이터 생성 장치 및 방법과 이를 이용한 학습 장치 및 방법 |
| KR20230107035A (ko) * | 2022-01-07 | 2023-07-14 | 한국전력공사 | 전력 설비를 위한 화재 대응 방법 및 영상인식 기반 화재 대응 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047814B (zh) * | 2019-12-26 | 2022-02-08 | 山东科技大学 | 一种适用于地铁站火灾警情的智能疏散系统及方法 |
-
2023
- 2023-07-27 CN CN202310930305.1A patent/CN117011355B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170015139A (ko) * | 2015-07-31 | 2017-02-08 | 한국산업기술대학교산학협력단 | 지능형 음원 수집 및 분석을 이용한 음원 방향 탐지 시스템 및 그 방법 |
| RU2605682C1 (ru) * | 2015-08-18 | 2016-12-27 | Денис Вячеславович Тараканов | Система информационной поддержки управления звеньями газодымозащитной службы при ликвидации пожаров в зданиях |
| CN209277311U (zh) * | 2018-12-04 | 2019-08-20 | 北京绿创声学工程股份有限公司 | 隔声罩消防顶板装置 |
| CN111553252A (zh) * | 2020-04-24 | 2020-08-18 | 福建农林大学 | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 |
| KR20230094827A (ko) * | 2021-12-21 | 2023-06-28 | 동아대학교 산학협력단 | 화재 검출 훈련용 이미지 데이터 생성 장치 및 방법과 이를 이용한 학습 장치 및 방법 |
| KR20230107035A (ko) * | 2022-01-07 | 2023-07-14 | 한국전력공사 | 전력 설비를 위한 화재 대응 방법 및 영상인식 기반 화재 대응 시스템 |
| CN116309810A (zh) * | 2022-09-09 | 2023-06-23 | 燕山大学 | 一种火灾场景下消防机器人的实时火焰定位方法 |
| CN116051649A (zh) * | 2022-12-08 | 2023-05-02 | 河南科技大学 | 一种结合深度学习与双目视觉的道路障碍物测距方法 |
Non-Patent Citations (5)
| Title |
|---|
| Cao, Min Hong.Research on a New-style Spontaneous Combustion Ignition Supervisory System.Shandong University (People's Republic of China).2009,全文. * |
| 从视频采集到视频分析 论深度学习对安防行业的发展推动;张超岳;夏立民;;中国安防(11);第84-86页 * |
| 基于视频监控的光伏电站火灾检测系统;何增祥;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)(第01期);第C042-1028页 * |
| 林友芳.交通大数据.北京：北京交通大学出版社,2021,第206-209页. * |
| 直流换流站的消防设计探讨;张纪;2004年湖北省消防学术论文竞赛论文集.宜昌市公安消防支队;第176-183页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011355A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564065B (zh) | 一种基于ssd的电缆隧道明火识别方法 | |
| US20070018977A1 (en) | Method and apparatus for generating a depth map | |
| CN105812746A (zh) | 一种目标检测方法及系统 | |
| JP6605581B2 (ja) | ビデオ符号化のための適応検索ウィンドウの配置 | |
| CN117011355B (zh) | 一种基于数字图像处理技术的换流站防灾系统及方法 | |
| CN112698196B (zh) | 一种高压开关机械特性监测装置 | |
| CN104065863A (zh) | 图像处理方法及处理装置 | |
| CN115690161A (zh) | 一种红外目标搜索检测和跟踪方法及装置 | |
| CN113899863B (zh) | 基于气体特征的高压电缆隐蔽缺陷检测方法及系统 | |
| CN114782423A (zh) | 干式变压器的低压线圈的成型质量检测系统及其检测方法 | |
| CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
| CN114839466B (zh) | 用于水泵的emc电磁兼容性测试系统及其测试方法 | |
| CN111862036A (zh) | 一种基于双指标度量学习的工具异常放置检测方法及系统 | |
| CN110264486A (zh) | 基于近红外图像分析的开关站设备凝露检测方法和系统 | |
| CN111179331A (zh) | 深度估计方法、装置、电子设备及计算机可读存储介质 | |
| Fangrong et al. | Insulator and burst fault detection using an improved YOLOv3 algorithm | |
| CN115656806A (zh) | 一种关联于物体表面积的隔离开关监测方法 | |
| CN116091996A (zh) | 刀闸分合状态的识别方法、装置、设备及存储介质 | |
| CN115616329A (zh) | 一种基于卷积神经网络的变电站五小箱故障识别系统 | |
| CN105163076A (zh) | 采用横向扫描映射的变电站断路器状态视频智能分析算法 | |
| CN113253069B (zh) | 一种基于多光谱强度的局部放电危险度评估方法 | |
| CN113631942B (zh) | 声源跟踪控制方法和控制装置、声源跟踪系统 | |
| CN114332775A (zh) | 一种基于目标检测和无序特征的烟雾检测方法 | |
| CN114549822A (zh) | 基于预置位摄像头的隔离开关闭合状态检测方法 | |
| CN115186526A (zh) | 基于无人机监测的特高压输电线路放电预警方法 |
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 |