CN117496218B - 一种基于图像识别的烟感探测方法及系统 - Google Patents
一种基于图像识别的烟感探测方法及系统 Download PDFInfo
- Publication number
- CN117496218B CN117496218B CN202311290675.XA CN202311290675A CN117496218B CN 117496218 B CN117496218 B CN 117496218B CN 202311290675 A CN202311290675 A CN 202311290675A CN 117496218 B CN117496218 B CN 117496218B
- Authority
- CN
- China
- Prior art keywords
- smoke
- image
- preset
- feature
- signal
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 295
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 45
- 238000003709 image segmentation Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的烟感探测方法及系统,包括:获取的待测区域的第一图像信号,计算所述第一图像信号包含烟雾信号的第一概率值,及所述第一图像信号与预设的第二图像信号的特征匹配值,以使确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取疑似发生烟雾行为的若干个第一烟雾区域,获取每一个第一烟雾区域的环境图像序列,根据预设的特征提取模型提取所述环境图像序列对应的时空特征,以使进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域,提高烟感探测的精准度和及时性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像识别的烟感探测方法及系统。
背景技术
火灾安全是公共安全的重点领域,而随着城市的发展,大空间建筑(如城市商业综合体、会展中心、候机楼、候车楼、演播厅等)不断涌现,工业生产中也存在较多户外作业环境(如矿业中的露天矿山、石油化工中的钻塔、油罐,以及港口机场铁路等)和室内大空间场所(如厂房、仓库等),这些场地具有较大控件、地形复杂的特点。
而现有的烟感探测常使用感应器进行探测,但对于大空间、地形复杂的环境来说,受探测距离、气流环境、热障效应等因素影响,接触式的探测器很难及时快速地捕获这些场所的火灾信号,这将导致传统的基于烟雾浓度和温度的点式火灾探测器无法有效工作,进一步的,因这些场地常进行较为频繁的施工,容易对布置在其中的感应器造成严重的影响进而使得所述感应器出现失灵的状况,在此情形下,因人们无法及时对感应器进行检修,导致无法对烟感进行识别,进而直接无法识别烟雾信号。
发明内容
为了解决上述技术问题,本发明公开了一种基于图像识别的烟感探测方法及系统,提高烟感探测的精准度和及时性。
为了实现上述目的,本发明公开了一种基于图像识别的烟感探测方法,包括:
根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号;
通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值;
根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域;
获取所述若干个第一烟雾区域中每一个第一烟雾区域的环境图像序列;所述环境图像序列包括按照时间排序的多张第二环境图像;
根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征;
通过预设的分类函数分别对所述每一个第一烟雾区域的时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域。
本发明公开的一种基于图像识别的烟感探测方法,为了提高烟雾探测的及时性及准确度,首先对获取的待测区域的第一环境图像进行图像信号计算,获取对应的图像信号,以使通过预设的烟雾自动识别算法计算所述图像信号中包含烟雾的第一概率,为了提高当前烟雾检测的准确度,还设置了计算所述第一图像信号与预设的第二图像信号的特征匹配值,所述第二图像信号为标准的烟雾图像信号,通过所述特征匹配值及所述第一概率值,从多个角度共同确定当前当测区域中是否包含烟雾,提高了烟雾识别的准确性,同时由于本发明基于图像进行烟雾的检测,在摄像范围内,其时延相比于烟雾的传播速度来说可以忽略不计,由此实现了及时的烟雾检测,进一步的,在判断到当前的检测区域存在烟雾时,还需确定烟雾发生的区域,此时本发明通过对所述第一环境图像进行图像分割,获取疑似发生烟雾的区域,接着由于烟雾发生区域和烟雾漫延区域中烟雾的漫延速度及烟雾的分布密度不同,基于此,本发明根据预设的特征提取模型提取疑似区域的时空特征,根据所述时空特征确定当前疑似区域是否发生烟雾行为,有效的解决了当前烟雾探测器无法及时有效的检测火灾信号的技术问题,同时解决了当前烟雾探测器无法在大范围环境下精准定位烟雾发生区域的技术问题。
作为优选例子,在所述通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号,包括:
对所述待测区域进行三维拍照或摄像,获得所述待测区域对应的第一环境图像;所述第一环境图像为三维立体环境图像;
遍历所述第一环境图像中的各个像素点,通过模糊估计方法计算获得所述各个像素点的比例因子;
对所述第一环境图像进行图像灰度化及平面卷积处理,获得所述第一环境图像对应的图像横向及纵向的亮度差分值;
根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
本发明基于烟雾发生时,因烟雾粒子的增多导致环境亮度差分值变小及因环境的改变,其对应的图像的像素点彼此之间的比例因子也发生改变,由此本发明计算当前环境图像的亮度差分值及各个像素点的比例因子构成图像信号,便于后续进行烟雾检测,提高烟雾检测的准确度。
作为优选例子,在所述通过预设的烟雾自动识别算法计算所述第一图像信号为烟雾信号的第一概率值,包括:
将所述第一图像信号中的亮度差分值按照预设的亮度差分值区间进行统计,确定所述亮度差分值区间的像素占所述第一图像信号中的亮度差分值的像素值的第一百分比;
将所述各个像素点的比例因子按照预设的比例因子区间进行统计,确定位于所述比例因子区间的比例因子对应的像素点占所述第一图像信号中的像素点的第二百分比;
对所述第一百分比及所述第二百分比做平均处理,获得所述第一概率值。
本发明在烟雾行为对所述亮度差分值及比例因子的影响基本相同的情况下,通过计算烟雾发生前后亮度差分值及比例因子的改变程度,并对所述改变程度取均分的情况下确定所述第一图像信号包含烟雾信号的第一概率值,提高烟雾检测的准确度。
作为优选例子,在所述通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值,包括:
根据预设的大小、移动步长及信号截取顺序分别依次从所述第一图像信号及所述第二图像信号中截取若干个局部信号;
分别对所述第一图像信号对应的若干个局部信号及所述第二图像信号对应的若干个局部信号进行特征编码,获得第一图像信号对应的若干个第一特征编码值及所述第二图像信号对应的若干个第二特征编码值;
根据所述信号截取顺序依次对比所述第一特征编码值及所述第二特征编码值,统计与所述第二特征编码值相同的第一特征编码值在所述若干个第一特征编码值中的百分比,根据所述百分比确定所述特征匹配值。
本发明通过对所述第一图像信号与标准的第二图像信号进行局部的一对一的特征编码,进而根据所述特征编码值确定当前第一环境图像存在烟雾的概率,以使根据多个角度确定当前环境图像是否存在烟雾,进而提高烟雾检测的准确度。
作为优选例子,在所述根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,包括:
将所述第一概率值与预设的概率阈值进行比较并将所述特征匹配值与预设的匹配阈值进行比较;
当所述第一概率值大于或等于所述概率阈值时或所述特征匹配值大于或等于所述匹配阈值时,则判定当前第一图像信号包含烟雾信号;
当所述第一概率值小于所述概率阈值时且所述特征匹配值小于所述匹配阈值时,则判定当前第一图像信号不包含烟雾信号。
本发明基于火灾的危害性,为了提高烟雾检测的及时性,避免造成生命危害,在检测到所述第一概率值大于或等于概率阈值,或检测到所述特征匹配值达到一定的限度时,则判定当前环境中存在烟雾信号,以使进行更进一步的检测,提高烟雾检测的准确度。
作为优选例子,在所述对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域,包括:
根据预设的运算及处理方式对所述第一环境图像进行处理,获得所述第一环境图像包含的灰度信号;
根据所述灰度信号,通过预设的边缘检测算法对所述第一环境图像进行边缘检测,获得所述第一环境图像中的灰度矢量变化值,并根据所述灰度矢量变化值确定所述第一环境图像中存在的烟雾轮廓;
根据所述烟雾轮廓对所述第一环境图像进行图像分割,获得若干个所述第一烟雾区域。
本发明基于烟雾产生区域与烟雾存在区域中灰度信号的变化量不同,进而利用所述边缘检测算法根据所述灰度信号的变化量确定烟雾产生的轮廓,根据所述轮廓生成若干个所述第一烟雾区域,降低烟雾定位的计算量,提高烟雾检测的及时性。
作为优选例子,在所述根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,包括:
根据预设在所述特征提取模型中的第一卷积层,提取所述环境图像序列的空间特征数据,并对所述空间特征数据进行卷积处理,获得所述环境图像序列对应的空间特征;
根据预设在所述特征提取模型中的编码模块获取所述环境图像序列对应的时间序列,并将所述时间序列转化为固定大小状态向量,获得所述时间序列对应的时序特征。
本发明提取所述时序特征及所述空间特征是为了确定所述区域是否持续产生烟雾,且当前环境是否持续发生变化,以使根据所述环境随时间的变化,确定待测烟雾区域是否有烟雾发生行为,提高烟雾检测的准确性。
作为优选例子,在所述通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征,包括:
根据预设在所述特征提取模型中的自动叠加函数分别计算所述时序特征及所述空间特征对应的融合特征分量;
根据所述融合特征分量对所述时序特征和所述空间特征进行线性融合,获得第一时空特征;
对所述第一时空特征进行归一化处理,获得所述第一烟雾区域对应的时空特征。
本发明采取自动叠加函数式将获得的空间特征和时序特征继续线性融合,可以提高烟雾行为识别的效率,同时在融合过程中,对所述特征进行归一化处理,清除掉不合理的数据,降低计算量,提高后期识别的效率。
另一方面,本发明实施例还公开了一种基于图像识别的烟感探测系统,所述系统包括信号计算模块、概率匹配模块、图像分割模块、图像获取模块、特征提取模块及烟雾检测模块;
所述信号计算模块用于根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号;
所述概率匹配模块用于通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值;
所述图像分割模块用于根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域;
所述图像获取模块用于获取所述若干个第一烟雾区域中每一个第一烟雾区域的环境图像序列;所述环境图像序列包括按照时间排序的多张第二环境图像;
所述特征提取模块用于根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征;
所述烟雾检测模块用于通过预设的分类函数分别对所述每一个第一烟雾区域的时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域。
本发明公开的一种基于图像识别的烟感探测系统,为了提高烟雾探测的及时性及准确度,首先对获取的待测区域的第一环境图像进行图像信号计算,获取对应的图像信号,以使通过预设的烟雾自动识别算法计算所述图像信号中包含烟雾的第一概率,为了提高当前烟雾检测的准确度,还设置了计算所述第一图像信号与预设的第二图像信号的特征匹配值,所述第二图像信号为标准的烟雾图像信号,通过所述特征匹配值及所述第一概率值,从多个角度共同确定当前当测区域中是否包含烟雾,提高了烟雾识别的准确性,同时由于本发明基于图像进行烟雾的检测,在摄像范围内,其时延相比于烟雾的传播速度来说可以忽略不计,由此实现了及时的烟雾检测,进一步的,在判断到当前的检测区域存在烟雾时,还需确定烟雾发生的区域,此时本发明通过对所述第一环境图像进行图像分割,获取疑似发生烟雾的区域,接着由于烟雾发生区域和烟雾漫延区域中烟雾的漫延速度及烟雾的分布密度不同,基于此,本发明根据预设的特征提取模型提取疑似区域的时空特征,根据所述时空特征确定当前疑似区域是否发生烟雾行为,有效的解决了当前烟雾探测器无法及时有效的检测火灾信号的技术问题,同时解决了当前烟雾探测器无法在大范围环境下精准定位烟雾发生区域的技术问题。
作为优选例子,所述信号计算模块包括摄像单元、像素单元、卷积单元及信号单元;
所述摄像单元用于对所述待测区域进行三维拍照或摄像,获得所述待测区域对应的第一环境图像;所述第一环境图像为三维立体环境图像;
所述像素单元用于遍历所述第一环境图像中的各个像素点,通过模糊估计方法计算获得所述各个像素点的比例因子;
所述卷积单元用于对所述第一环境图像进行图像灰度化及平面卷积处理,获得所述第一环境图像对应的图像横向及纵向的亮度差分值;
所述信号单元用于根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
本发明基于烟雾发生时,因烟雾粒子的增多导致环境亮度差分值变小及因环境的改变,其对应的图像的像素点彼此之间的比例因子也发生改变,由此本发明计算当前环境图像的亮度差分值及各个像素点的比例因子构成图像信号,便于后续进行烟雾检测,提高烟雾检测的准确度。
附图说明
图1:为本发明实施例公开的一种基于图像识别的烟感探测方法的流程示意图;
图2:为本发明实施例公开的一种基于图像识别的烟感探测系统的结构示意图;
图3:为本发明又一实施例公开的一种基于图像识别的烟感探测方法的流程示意图。
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他实施例,都属于本发明保护的范围。
实施例一
本实施例公开了一种基于图像识别的烟感探测方法,所述探测方法的具体实施流程请参照图1,主要包括步骤101至步骤106,所述步骤包括:
步骤101:根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号。
在本实施例中,该步骤主要包括:对所述待测区域进行三维拍照或摄像,获得所述待测区域对应的第一环境图像;所述第一环境图像为三维立体环境图像;遍历所述第一环境图像中的各个像素点,通过模糊估计方法计算获得所述各个像素点的比例因子;对所述第一环境图像进行图像灰度化及平面卷积处理,获得所述第一环境图像对应的图像横向及纵向的亮度差分值;根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
本实施例中,该步骤基于烟雾发生时,因烟雾粒子的增多导致环境亮度差分值变小及因环境的改变,其对应的图像的像素点彼此之间的比例因子也发生改变,由此本发明计算当前环境图像的亮度差分值及各个像素点的比例因子构成图像信号,便于后续进行烟雾检测,提高烟雾检测的准确度。
步骤102:通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值。
在本实施例中,该步骤主要包括:将所述第一图像信号中的亮度差分值按照预设的亮度差分值区间进行统计,确定所述亮度差分值区间的像素占所述第一图像信号中的亮度差分值的像素值的第一百分比;将所述各个像素点的比例因子按照预设的比例因子区间进行统计,确定位于所述比例因子区间的比例因子对应的像素点占所述第一图像信号中的像素点的第二百分比;对所述第一百分比及所述第二百分比做平均处理,获得所述第一概率值。
进一步的,根据预设的大小、移动步长及信号截取顺序分别依次从所述第一图像信号及所述第二图像信号中截取若干个局部信号;分别对所述第一图像信号对应的若干个局部信号及所述第二图像信号对应的若干个局部信号进行特征编码,获得第一图像信号对应的若干个第一特征编码值及所述第二图像信号对应的若干个第二特征编码值;根据所述信号截取顺序依次对比所述第一特征编码值及所述第二特征编码值,统计与所述第二特征编码值相同的第一特征编码值在所述若干个第一特征编码值中的百分比,根据所述百分比确定所述特征匹配值。
本实施例中,该步骤在烟雾行为对所述亮度差分值及比例因子的影响基本相同的情况下,通过计算烟雾发生前后亮度差分值及比例因子的改变程度,并对所述改变程度取均分的情况下确定所述第一图像信号包含烟雾信号的第一概率值,提高烟雾检测的准确度,同时通过对所述第一图像信号与标准的第二图像信号进行局部的一对一的特征编码,进而根据所述特征编码值确定当前第一环境图像存在烟雾的概率,以使根据多个角度确定当前环境图像是否存在烟雾,进而提高烟雾检测的准确度。
步骤103:根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域。
在本实施例中,该步骤主要包括:将所述第一概率值与预设的概率阈值进行比较并将所述特征匹配值与预设的匹配阈值进行比较;当所述第一概率值大于或等于所述概率阈值时或所述特征匹配值大于或等于所述匹配阈值时,则判定当前第一图像信号包含烟雾信号;当所述第一概率值小于所述概率阈值时且所述特征匹配值小于所述匹配阈值时,则判定当前第一图像信号不包含烟雾信号。
进一步的,根据预设的运算及处理方式对所述第一环境图像进行处理,获得所述第一环境图像包含的灰度信号;根据所述灰度信号,通过预设的边缘检测算法对所述第一环境图像进行边缘检测,获得所述第一环境图像中的灰度矢量变化值,并根据所述灰度矢量变化值确定所述第一环境图像中存在的烟雾轮廓;根据所述烟雾轮廓对所述第一环境图像进行图像分割,获得若干个所述第一烟雾区域。
在本实施例中,该步骤基于火灾的危害性,为了提高烟雾检测的及时性,避免造成生命危害,在检测到所述第一概率值大于或等于概率阈值,或检测到所述特征匹配值达到一定的限度时,则判定当前环境中存在烟雾信号,以使进行更进一步的检测,提高烟雾检测的准确度,同时在确定存在烟雾信号后,基于烟雾产生区域与烟雾存在区域中灰度信号的变化量不同,进而利用所述边缘检测算法根据所述灰度信号的变化量确定烟雾产生的轮廓,根据所述轮廓生成若干个所述第一烟雾区域,降低烟雾定位的计算量,提高烟雾检测的及时性。
步骤104:获取所述若干个第一烟雾区域中每一个第一烟雾区域的环境图像序列;所述环境图像序列包括按照时间排序的多张第二环境图像。
步骤104:根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征。
在本实施例中,该步骤主要包括:根据预设在所述特征提取模型中的第一卷积层,提取所述环境图像序列的空间特征数据,并对所述空间特征数据进行卷积处理,获得所述环境图像序列对应的空间特征;根据预设在所述特征提取模型中的编码模块获取所述环境图像序列对应的时间序列,并将所述时间序列转化为固定大小状态向量,获得所述时间序列对应的时序特征。
进一步的,根据预设在所述特征提取模型中的自动叠加函数分别计算所述时序特征及所述空间特征对应的融合特征分量;根据所述融合特征分量对所述时序特征及所述空间特征进行线性融合,获得第一时空特征;对所述第一时空特征进行归一化处理,获得所述第一烟雾区域对应的时空特征。
在本实施例中,该步骤提取所述时序特征及所述空间特征是为了确定所述区域是否持续产生烟雾,且当前环境是否持续发生变化,以使根据所述环境随时间的变化,确定待测烟雾区域是否有烟雾发生行为,提高烟雾检测的准确性,并采取自动叠加函数式将获得的空间特征和时序特征继续线性融合,可以提高烟雾行为识别的效率,同时在融合过程中,对所述特征进行归一化处理,清除掉不合理的数据,降低计算量,提高后期识别的效率。
步骤106:通过预设的分类函数分别对所述每一个第一烟雾区域的时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域。
另一方面,本发明实施例还公开了一种基于图像识别的烟感探测系统,所述探测系统的具体结构组成可参照图2,所述系统包括信号计算模块201、概率匹配模块202、图像分割模块203、图像获取模块204、特征提取模块205及烟雾检测模块206。
所述信号计算模块201用于根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号。
所述概率匹配模块202用于通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值。
所述图像分割模块203用于根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域。
所述图像获取模块204用于获取所述若干个第一烟雾区域中每一个第一烟雾区域的环境图像序列;所述环境图像序列包括按照时间排序的多张第二环境图像。
所述特征提取模块205用于根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征。
所述烟雾检测模块206用于通过预设的分类函数分别对所述每一个第一烟雾区域的时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域。
作为优选例子,所述信号计算模块201包括摄像单元、像素单元、卷积单元及信号单元。
所述摄像单元用于对所述待测区域进行三维拍照或摄像,获得所述待测区域对应的第一环境图像;所述第一环境图像为三维立体环境图像。
所述像素单元用于遍历所述第一环境图像中的各个像素点,通过模糊估计方法计算获得所述各个像素点的比例因子。
所述卷积单元用于对所述第一环境图像进行图像灰度化及平面卷积处理,获得所述第一环境图像对应的图像横向及纵向的亮度差分值。
所述信号单元用于根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
实施例二
本发明实施例公开了另一种基于图像识别的烟感探测方法,所述探测方法的具体实施流程请参照图3,主要包括步骤301至步骤306,所述步骤包括:
步骤301:获取待测区域的第一图像信号。
在本实施例中,该步骤主要为:根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号,通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值。
具体的,在本实施例中提供的一种可实现方式中,可以通过高清彩色CCD模组等摄像或者拍照用组件进行图像的获取,也可以通过具有摄像或者拍照功能的设备进行图像的获取,具体的,利用所述拍摄组件对所述待测区域进行360度拍照或摄像,获得待测区域的三维立体的第一环境图像。
进一步的,在获取到所述环境图像后,对所述环境图像中的各个像素点进行模糊估计,具体的分别计算所述环境图像中的梯度值及模糊图像的梯度值,所述计算公式为:
具体的,所述为原始图像的梯度值,所述/>为模糊图像的梯度值,所述g(x,y)表示原始图像中像素点(i,j)的像素值,g’(x,y)表示模糊图像中像素点(i,j)的像素值。上述计算过程中,即是通过像素点(i,j)相邻的上下左右四个像素点的像素值计算梯度值。其它计算梯度值的方法也可适用于此,并不仅限于上述梯度值计算公式。
求取所述取原始图像梯度和模糊图像梯度的比值R(i,j)后,可根据预设的比例因子计算公式得到像素点的比例因子k(i,j),所述比例因子计算公式为:
进一步的,在获取所述比例因子的同时,通过对获取的第一环境图像进行图像灰度化,生成第一灰度图,并分别对所述第一灰度图进行高斯滤波和降噪处理,获得第二灰度图,并将所述第二灰度图与预设的模板进行平面卷积,获得所述第二灰度图对应的图像横向及纵向的亮度差分值,预设的模板如下:
在上述模板中,A表示第二灰度图,Gx表示图像横向亮度差,Gy表示图像纵向亮度差。
在获取到所述比例因子及所述亮度差分值后,根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
步骤302:通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值及通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值。
在本实施例中,该步骤包括:将所述第一图像信号中的亮度差分值按照预设的亮度差分值区间进行统计,确定所述亮度差分值区间的像素占所述第一图像信号中的亮度差分值的像素值的第一百分比;将所述各个像素点的比例因子按照预设的比例因子区间进行统计,确定位于所述比例因子区间的比例因子对应的像素点占所述第一图像信号中的像素点的第二百分比;对所述第一百分比及所述第二百分比做平均处理,获得所述第一概率值。
通过上述识别算法,可以在在有房屋、树木等把烟雾断层的情况下,通过亮度差分值及所述比例因子准确确定此时烟雾所占比例,还能通过此时的烟雾比例进一步确定烟雾大小,从而不仅能准确识别烟雾,还能进一步进行火情大小的判断。
在获取到所述第一概率后,为了更均匀的对所述第一图像信号及第二图像信号进行采样,并且提高采样点特征提取的效率,本实施例将第一图像信号及第二图像信号区域划分成多个正方形的局部区域,且所述局部区域的中心以设定的移动步长从左至右、从上至下移动。所述局部区域的边长大于所述设定的移动步长,使得相邻的至少两个局部区域部分重叠。本实施例以图像大小为184×184的区域为例进行说明,本步骤中,采取均匀采样的策略,以设定移动步长t从左至右、从上至下依次截取多个局部区域。具体地说,首先从图像的左上角开始截取第一个局部区域,该局部区域的大小是预先设定的,设为p×p;然后从左至右移动步长t个像素点,截取下一个局部区域;依此类推,在横向方向上截取完毕之后,再从上至下移动步长t截取局部区域;重复上述过程直至截取完毕。本例中p取24,t取4,既能准确的提取特征,又提高了采样效率。
提取到所述局部信号后,对每一个局部信号中包含的信息点进行编码,具体的,在编码过程中,基于编码的方法使用的都是横向的方向信息,因此可将同一个方向、三个半径范围的编码结果压缩为一位,由此获得每一个局部信号分别对应的编码向量,将所述编码向量作为所述局部信号的特征编码值。在获取到所述特征编码值后,将第一图像信号与第二图像信号中位置相对应的特征编码值一一进行比对,获得第一图像信号中与所述第二图像信号中特征编码值相同的特征编码值的数量,计算所述特征编码值的数量在所述局部信号数量中的占比百分比,获得所述特征匹配值。
步骤303:根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域,并获取所述若干个第一烟雾区域中每一个第一烟雾区域按照时间排列的环境图像序列。
在本实施例中,该步骤具体为:将所述第一概率值与预设的概率阈值进行比较并将所述特征匹配值与预设的匹配阈值进行比较;当所述第一概率值大于或等于所述概率阈值时或所述特征匹配值大于或等于所述匹配阈值时,则判定当前第一图像信号包含烟雾信号;当所述第一概率值小于所述概率阈值时且所述特征匹配值小于所述匹配阈值时,则判定当前第一图像信号不包含烟雾信号。
当判定当前环境图像中存在烟雾信号时,根据预设的运算及处理方式对所述第一环境图像进行处理,获得所述第一环境图像中三维阵列的灰度信号,接着根据所述边缘检测算法对所述三维阵列的灰度信号进行处理以得到灰度矢量变化近似值,当灰度矢量变化近似值大于预设的灰度阈值时,确定当前灰度矢量变化近似值范围为烟雾轮廓。
具体的,所述边缘检测算法对所述三维阵列的灰度信号进行处理,包括:将所述三维阵列的灰度信号分成三个平面的图像灰度信号,将每一图像灰度信号进行下述处理,首先,选取算法因子Kx以及Ky;
其中
其中,a,b为卷积元算子,然后将算法因子分别与平面图像灰度值Gx以及Gy进行卷积计算,f(x,y)为图像灰度信号,获得平面横向纵向的灰度矢量变化近似值Gxy:
/>
本申请通过上述算法,可以准确的确定平面横向纵向的灰度矢量变化近似值,为后续的计算提供准确数值,需要说明的是此算法通过多次将现有数据进行运算确定算法详情,另外还可以自行优化卷积元算子的取值。
在对所述第一环境图像进行图像分割后,对所述第一烟雾区域进行监控,持续获得所述监控的视频,并从所述获取的视频中提取对应的连续的图像序列。
步骤304:根据预设的特征提取模型对所述环境图像序列进行处理,获得所述环境图像序列对应的时空特征。
在本实施例中,该步骤主要为:根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征。
具体的,将所述连续的图像序列输入预设的特征提取模型中,所述特征提取模型包括卷积层、编码模块、最大池化层和全连接层,将连续的图像序列分别输入到所述卷积层中,从静止图像中有效地学习纹理、轮廓、信息点等外观信息,具体的,以224*224*3的单帧RGB图像为输入,所述卷积层由13个卷积和3个全连接层构成,13个卷积层卷积核尺寸为3*3、步长为1,被堆叠成5个块,最大池化层内核尺寸为2*2,步长为2,连接在每个卷积块之后,通过所述卷积层获取环境图像序列的特征信息,使用数个卷积核将前一层的数据卷积化,结果以二维向量输出,经过卷积操作能获得数个二维输出,输出所述环境图像序列对应的空间特征。
其次,在将所述环境图像序列输入至卷积层时,复制所述环境图像序列,将复制的环境图像序列输入至所述特征提取模型中的编码模块,通过所述编码模块获取所述环境图像序列输入时的时间序列,并将所述时间序列转化为固定大小状态向量,获得所述时间序列对应的时序特征。
进一步的,在获取到所述空间特征及所述时序特征后,根据预设在所述特征提取模型中的自动叠加函数分别计算所述时序特征及所述空间特征对应的融合特征分量,其中,所述自动叠加函数为:
其中,所述β代表融合等级,c代表皮尔逊相关系数,f代表特征向量。
根据所述自动叠加函数获得所述时序特征及所述空间特征对应的融合特征分量后,对所述时序特征及所述空间特征进行线性融合,并对融合获得的时空特征进行归一化处理。
步骤305:通过预设的分类函数对所述时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果确定所述待测区域中发生烟雾行为的第二烟雾区域。
在本实施例中,该步骤包括:根据所述时空特征,通过预设的分类函数进行烟雾行为识别,具体的还可利用预设的支持向量机,使用Softmax分类器,对所述时空特征进行烟雾行为的识别和分类,并通过3个神经元输出不同烟雾行为类别的概率分布,3个神经元的输出分别代表3个烟雾行为(浓度较低,浓度居中,浓度较高)的概率分布。
在本实施例公开的基于图像识别的烟感探测方法及系统,为了提高烟雾探测的及时性及准确度,首先对获取的待测区域的第一环境图像进行图像信号计算,获取对应的图像信号,以使通过预设的烟雾自动识别算法计算所述图像信号中包含烟雾的第一概率,为了提高当前烟雾检测的准确度,还设置了计算所述第一图像信号与预设的第二图像信号的特征匹配值,所述第二图像信号为标准的烟雾图像信号,通过所述特征匹配值及所述第一概率值,从多个角度共同确定当前当测区域中是否包含烟雾,提高了烟雾识别的准确性,同时由于本发明基于图像进行烟雾的检测,在摄像范围内,其时延相比于烟雾的传播速度来说可以忽略不计,由此实现了及时的烟雾检测,进一步的,在判断到当前的检测区域存在烟雾时,还需确定烟雾发生的区域,此时本发明通过对所述第一环境图像进行图像分割,获取疑似发生烟雾的区域,接着由于烟雾发生区域和烟雾漫延区域中烟雾的漫延速度及烟雾的分布密度不同,基于此,本发明根据预设的特征提取模型提取疑似区域的时空特征,根据所述时空特征确定当前疑似区域是否发生烟雾行为,有效的解决了当前烟雾探测器无法及时有效的检测火灾信号的技术问题,同时解决了当前烟雾探测器无法在大范围环境下精准定位烟雾发生区域的技术问题。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像识别的烟感探测方法,其特征在于,包括:
根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号;
通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值;
根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域;
获取所述若干个第一烟雾区域中每一个第一烟雾区域的环境图像序列;所述环境图像序列包括按照时间排序的多张第二环境图像;
根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征;
通过预设的分类函数分别对所述每一个第一烟雾区域的时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域;
所述通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值,包括:根据预设的大小、移动步长及信号截取顺序分别依次从所述第一图像信号及所述第二图像信号中截取若干个局部信号;分别对所述第一图像信号对应的若干个局部信号及所述第二图像信号对应的若干个局部信号进行特征编码,获得第一图像信号对应的若干个第一特征编码值及所述第二图像信号对应的若干个第二特征编码值;根据所述信号截取顺序依次对比所述第一特征编码值及所述第二特征编码值,统计与所述第二特征编码值相同的第一特征编码值在所述若干个第一特征编码值中的百分比,根据所述百分比确定所述特征匹配值;
所述根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,包括:根据预设在所述特征提取模型中的第一卷积层,提取所述环境图像序列的空间特征数据,并对所述空间特征数据进行卷积处理,获得所述环境图像序列对应的空间特征;根据预设在所述特征提取模型中的编码模块获取所述环境图像序列对应的时间序列,并将所述时间序列转化为固定大小状态向量,获得所述时间序列对应的时序特征;
所述通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征,包括:根据预设在所述特征提取模型中的自动叠加函数分别计算所述时序特征及所述空间特征对应的融合特征分量;根据所述融合特征分量对所述时序特征和所述空间特征进行线性融合,获得第一时空特征;对所述第一时空特征进行归一化处理,获得所述第一烟雾区域对应的时空特征。
2.如权利要求1所述的一种基于图像识别的烟感探测方法,其特征在于,所述通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号,包括:
对所述待测区域进行三维拍照或摄像,获得所述待测区域对应的第一环境图像;所述第一环境图像为三维立体环境图像;
遍历所述第一环境图像中的各个像素点,通过模糊估计方法计算获得所述各个像素点的比例因子;
对所述第一环境图像进行图像灰度化及平面卷积处理,获得所述第一环境图像对应的图像横向及纵向的亮度差分值;
根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
3.如权利要求1所述的一种基于图像识别的烟感探测方法,其特征在于,所述通过预设的烟雾自动识别算法计算所述第一图像信号为烟雾信号的第一概率值,包括:
将所述第一图像信号中的亮度差分值按照预设的亮度差分值区间进行统计,确定所述亮度差分值区间的像素占所述第一图像信号中的亮度差分值的像素值的第一百分比;
将所述各个像素点的比例因子按照预设的比例因子区间进行统计,确定位于所述比例因子区间的比例因子对应的像素点占所述第一图像信号中的像素点的第二百分比;
对所述第一百分比及所述第二百分比做平均处理,获得所述第一概率值。
4.如权利要求1所述的一种基于图像识别的烟感探测方法,其特征在于,所述根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,包括:
将所述第一概率值与预设的概率阈值进行比较并将所述特征匹配值与预设的匹配阈值进行比较;
当所述第一概率值大于或等于所述概率阈值时或所述特征匹配值大于或等于所述匹配阈值时,则判定当前第一图像信号包含烟雾信号;
当所述第一概率值小于所述概率阈值时且所述特征匹配值小于所述匹配阈值时,则判定当前第一图像信号不包含烟雾信号。
5.如权利要求1所述的一种基于图像识别的烟感探测方法,其特征在于,所述对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域,包括:
根据预设的运算及处理方式对所述第一环境图像进行处理,获得所述第一环境图像包含的灰度信号;
根据所述灰度信号,通过预设的边缘检测算法对所述第一环境图像进行边缘检测,获得所述第一环境图像中的灰度矢量变化值,并根据所述灰度矢量变化值确定所述第一环境图像中存在的烟雾轮廓;
根据所述烟雾轮廓对所述第一环境图像进行图像分割,获得若干个所述第一烟雾区域。
6.一种基于图像识别的烟感探测系统,其特征在于,所述系统包括信号计算模块、概率匹配模块、图像分割模块、图像获取模块、特征提取模块及烟雾检测模块;
所述信号计算模块用于根据获取的待测区域的第一环境图像,通过预设的信号计算方法计算获取所述第一环境图像对应的第一图像信号;
所述概率匹配模块用于通过预设的烟雾自动识别算法计算所述第一图像信号包含烟雾信号的第一概率值,并通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值;
所述图像分割模块用于根据所述第一概率值与所述特征匹配值确定所述第一图像信号是否包含烟雾信号,若所述第一图像信号包含烟雾信号,则对所述第一环境图像进行图像分割,获取所述待测区域中疑似发生烟雾行为的若干个第一烟雾区域;
所述图像获取模块用于获取所述若干个第一烟雾区域中每一个第一烟雾区域的环境图像序列;所述环境图像序列包括按照时间排序的多张第二环境图像;
所述特征提取模块用于根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,并通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征;
所述烟雾检测模块用于通过预设的分类函数分别对所述每一个第一烟雾区域的时空特征进行烟雾行为识别,根据所述烟雾行为识别的结果从所述若干个第一烟雾区域中确定所述待测区域中发生烟雾行为的第二烟雾区域;
所述通过预设的特征匹配算法计算所述第一图像信号与预设的第二图像信号的特征匹配值,包括:根据预设的大小、移动步长及信号截取顺序分别依次从所述第一图像信号及所述第二图像信号中截取若干个局部信号;分别对所述第一图像信号对应的若干个局部信号及所述第二图像信号对应的若干个局部信号进行特征编码,获得第一图像信号对应的若干个第一特征编码值及所述第二图像信号对应的若干个第二特征编码值;根据所述信号截取顺序依次对比所述第一特征编码值及所述第二特征编码值,统计与所述第二特征编码值相同的第一特征编码值在所述若干个第一特征编码值中的百分比,根据所述百分比确定所述特征匹配值;
所述根据预设的特征提取模型对所述环境图像序列进行处理,提取所述环境图像序列对应的时序特征及空间特征,包括:根据预设在所述特征提取模型中的第一卷积层,提取所述环境图像序列的空间特征数据,并对所述空间特征数据进行卷积处理,获得所述环境图像序列对应的空间特征;根据预设在所述特征提取模型中的编码模块获取所述环境图像序列对应的时间序列,并将所述时间序列转化为固定大小状态向量,获得所述时间序列对应的时序特征;
所述通过预设在所述特征提取模型中的融合方式对所述时序特征及空间特征进行融合,输出所述每一个第一烟雾区域分别对应的时空特征,包括:根据预设在所述特征提取模型中的自动叠加函数分别计算所述时序特征及所述空间特征对应的融合特征分量;根据所述融合特征分量对所述时序特征和所述空间特征进行线性融合,获得第一时空特征;对所述第一时空特征进行归一化处理,获得所述第一烟雾区域对应的时空特征。
7.如权利要求6所述的一种基于图像识别的烟感探测系统,其特征在于,所述信号计算模块包括摄像单元、像素单元、卷积单元及信号单元;
所述摄像单元用于对所述待测区域进行三维拍照或摄像,获得所述待测区域对应的第一环境图像;所述第一环境图像为三维立体环境图像;
所述像素单元用于遍历所述第一环境图像中的各个像素点,通过模糊估计方法计算获得所述各个像素点的比例因子;
所述卷积单元用于对所述第一环境图像进行图像灰度化及平面卷积处理,获得所述第一环境图像对应的图像横向及纵向的亮度差分值;
所述信号单元用于根据所述比例因子及所述亮度差分值组成所述第一环境图像对应的第一图像信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311290675.XA CN117496218B (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像识别的烟感探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311290675.XA CN117496218B (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像识别的烟感探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496218A CN117496218A (zh) | 2024-02-02 |
CN117496218B true CN117496218B (zh) | 2024-05-07 |
Family
ID=89680601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311290675.XA Active CN117496218B (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像识别的烟感探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496218B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767645A (zh) * | 2021-02-02 | 2021-05-07 | 南京恩博科技有限公司 | 一种烟雾识别方法及装置、电子设备 |
CN112991665A (zh) * | 2021-04-14 | 2021-06-18 | 中国科学技术大学先进技术研究院 | 烟雾探测方法、烟雾探测装置以及烟雾探测系统 |
CN113537099A (zh) * | 2021-07-21 | 2021-10-22 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN113807227A (zh) * | 2021-09-11 | 2021-12-17 | 浙江浙能嘉华发电有限公司 | 基于图像识别的安全监测方法、装置、设备及存储介质 |
KR20220006770A (ko) * | 2020-07-09 | 2022-01-18 | 중앙대학교 산학협력단 | 딥러닝 기반 연기 및 화재 검출 방법 및 그 장치 |
CN113963301A (zh) * | 2021-11-04 | 2022-01-21 | 西安邮电大学 | 一种时空特征融合的视频火灾烟雾探测方法及系统 |
CN114332694A (zh) * | 2021-12-20 | 2022-04-12 | 苏州汇川控制技术有限公司 | 电梯烟雾识别方法、系统、终端设备及存储介质 |
CN115937508A (zh) * | 2022-06-21 | 2023-04-07 | 海纳云物联科技有限公司 | 一种检测烟火的方法及装置 |
CN116259005A (zh) * | 2023-02-04 | 2023-06-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于屋顶光伏消防的智能监控系统 |
-
2023
- 2023-10-07 CN CN202311290675.XA patent/CN117496218B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220006770A (ko) * | 2020-07-09 | 2022-01-18 | 중앙대학교 산학협력단 | 딥러닝 기반 연기 및 화재 검출 방법 및 그 장치 |
CN112767645A (zh) * | 2021-02-02 | 2021-05-07 | 南京恩博科技有限公司 | 一种烟雾识别方法及装置、电子设备 |
CN112991665A (zh) * | 2021-04-14 | 2021-06-18 | 中国科学技术大学先进技术研究院 | 烟雾探测方法、烟雾探测装置以及烟雾探测系统 |
CN113537099A (zh) * | 2021-07-21 | 2021-10-22 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN113807227A (zh) * | 2021-09-11 | 2021-12-17 | 浙江浙能嘉华发电有限公司 | 基于图像识别的安全监测方法、装置、设备及存储介质 |
CN113963301A (zh) * | 2021-11-04 | 2022-01-21 | 西安邮电大学 | 一种时空特征融合的视频火灾烟雾探测方法及系统 |
CN114332694A (zh) * | 2021-12-20 | 2022-04-12 | 苏州汇川控制技术有限公司 | 电梯烟雾识别方法、系统、终端设备及存储介质 |
CN115937508A (zh) * | 2022-06-21 | 2023-04-07 | 海纳云物联科技有限公司 | 一种检测烟火的方法及装置 |
CN116259005A (zh) * | 2023-02-04 | 2023-06-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于屋顶光伏消防的智能监控系统 |
Non-Patent Citations (3)
Title |
---|
Research on Remote Sensing Recognition of Forest Fire Smoke Based on Machine Learning;Wang, Kaihua;《2022 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, COMPUTER VISION AND MACHINE LEARNING (ICICML)》;20230309;全文 * |
基于块分割和SVM的视频火灾烟雾识别;胡燕;王慧琴;姚太伟;高彦飞;;计算机仿真;20120915(09);全文 * |
基于烟雾图像识别的火灾探测研究;王俊然;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117496218A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723748B (zh) | 一种红外遥感图像舰船检测方法 | |
CN107194559B (zh) | 一种基于三维卷积神经网络的工作流识别方法 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
CN112861635B (zh) | 一种基于深度学习的火灾及烟雾实时检测方法 | |
CN111368771A (zh) | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 | |
CN108804992B (zh) | 一种基于深度学习的人群统计方法 | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN113192038B (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
CN111079518A (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
CN113344852A (zh) | 一种电力场景通用物品的目标检测方法、装置及存储介质 | |
CN114298948A (zh) | 基于PSPNet-RCNN的球机监控异常检测方法 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN116647644B (zh) | 基于数字孪生技术的校园交互式监控方法以及系统 | |
CN114841920A (zh) | 基于图像处理的火焰识别方法、装置及电子设备 | |
CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
CN114155278A (zh) | 目标跟踪及相关模型的训练方法和相关装置、设备、介质 | |
CN117496218B (zh) | 一种基于图像识别的烟感探测方法及系统 | |
CN112989958A (zh) | 基于YOLOv4与显著性检测的安全帽佩戴识别方法 | |
CN114648736B (zh) | 基于目标检测的鲁棒工程车辆识别方法及系统 | |
CN115512230A (zh) | 基于多头注意力的多尺度融合沥青路面裂缝识别方法 | |
CN115171006A (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 |
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 |