<address id="pnrlx"></address>

<progress id="pnrlx"><track id="pnrlx"><ol id="pnrlx"></ol></track></progress>

<font id="pnrlx"></font>

<dl id="pnrlx"></dl>

一種基于目標檢測和無序特征的煙霧檢測方法與流程

文檔序號:29648523發布日期:2022-04-13 22:03來源:國知局
一種基于目標檢測和無序特征的煙霧檢測方法與流程

1.本發明屬于圖像檢測技術領域,具體涉及一種基于目標檢測和無序特征的煙霧檢測方法。


背景技術:

2.化工廠等廠區由于地域范圍大、作業人員少,經常存在火災安全隱患,因此將煙霧檢測應用于工廠場景下具有重大的意義。煙霧檢測方法主要基于煙霧傳感器實現,例如離子式煙霧傳感器,該傳感器的內外電離室里存在放射源镅241,電離產生的正、負離子在電場的作用下各自向正負電極移動,在正常的情況下,內外電離室的電流、電壓均穩定,一旦有煙霧竄逃,則會對帶電粒子的正常運動產生干擾,電流、電壓就會有所改變,破壞了內外電離室之間的平衡,從而實現對煙霧的檢測。
3.目前室內煙霧檢測大多依賴煙霧傳感器,而對于室外煙霧的檢測,由于空間范圍大、煙霧運動方向不定等原因,很難采用煙霧傳感器來檢測,因此室外場景依賴人工檢測較多。但是,由于人的不確定因素較大,且需檢測的區域較多,很難保證檢測的及時性。而采用智能化檢測設備進行煙霧檢測,往往只提取煙霧的靜態特征(顏色、形狀、紋理等)作為判斷依據,而煙霧的無規則運動及具有透明度的特點使得其靜態特征表現能力較弱,因此智能化檢測設備在煙霧檢測上存在抗干擾能力差、煙霧特征提取不全、準確率低等問題。


技術實現要素:

4.本發明的目的是提供一種基于目標檢測和無序特征的煙霧檢測方法,用于實現復雜環境下煙霧的有效檢測。
5.為達到上述目的,本發明采用的技術方案是:
6.一種基于目標檢測和無序特征的煙霧檢測方法,包括如下步驟:
7.s1:獲取待檢測區域內監控視頻中的當前幀圖像;
8.s2:對獲得的當前幀圖像進行煙霧檢測,包括:
9.(1)圖像預處理,對獲得的圖像進行畸變矯正,
10.(2)采用煙霧目標檢測神經網絡模型提取圖像中可能存在煙霧的候選區域,
11.(3)采用煙霧語義分割神經網絡模型對候選區域進行像素分割,計算候選區域內煙霧的無序性特征指標,
12.(4)根據無序性特征指標判斷候選區域是否有煙霧,
13.(5)保存檢測結果;
14.s3:若煙霧檢測結果為有煙霧,則發出警報,否則返回步驟s1繼續檢測。
15.優選地,在s2(1)中,畸變矯正采用徑向畸變矯正公式為:
16.x0=x(1+k1r2+k2r4+k3r6),
17.y0=y(1+k1r2+k2r4+kar6),
18.其中:
19.(x0,y0)為畸變像素點的原始位置,
20.(x,y)為畸變矯正后的位置,
21.k1、k2、k3為畸變系數,
22.r=x2+y2。
23.優選地,在s2(2)中,煙霧目標檢測神經網絡模型包括faster r-cnn網絡、或者r-fcn網絡、或者yolo網絡。
24.優選地,在s2(2)中,煙霧目標檢測神經網絡模型通過如下步驟獲得:
25.(1)獲取帶有煙霧的監控視頻的圖像作為訓練樣本;
26.(2)對圖像中煙霧所在區域進行人工標注,標注信息包括位置和種類;
27.(3)將標注好的圖像隨機打亂,按設定比例分為訓練集、驗證集和測試集;
28.(4)將標注信息和圖像輸入到神經網絡模型中進行訓練,在完成設定條件后,得到煙霧目標檢測神經網絡模型。
29.進一步優選地,設定條件有多個,在完成至少一個設定條件后,得到煙霧目標檢測神經網絡模型。
30.進一步優選地,設定條件包括:
31.(1)實際訓練時間超過預設訓練時間;
32.(2)實際訓練次數超過預設訓練次數;
33.(3)損失函數計算所的差異小于預設差異閾值。
34.優選地,在s2(3)中,采用煙霧語義分割神經網絡模型對候選區域進行像素分割的步驟為:
35.(1)將候選區域從圖像中截取出來;
36.(2)將截取得到的候選區域圖像輸入煙霧語義分割神經網絡模型;
37.(3)根據煙霧語義分割神經網絡模型得到候選區域中煙霧像素點的數量,并輸出結果。
38.進一步優選地,煙霧語義分割神經網絡模型根據候選區域內單個像素點的顏色、空間分布特征,判斷是否為煙霧像素點,并得到煙霧像素點的數量。
39.優選地,在s2(3)中,無序性特征指標為:
[0040][0041]
其中:
[0042]ci
為無序性特征指標,
[0043]ns
為煙霧像素點的數量,
[0044]nall
為候選區域的像素點總數,
[0045]
wi、hi為候選區域的寬和高。
[0046]
優選地,在s2(4)中,根據無序性特征指標判斷候選區域是否有煙霧的方法包括:將當前幀圖像的無序性特征指標與前一幀圖像的無序性特征指標進行比較,若波動大于設定比例,則當前幀圖像的候選區域有煙霧,否則沒有煙霧。
[0047]
由于上述技術方案運用,本發明與現有技術相比具有下列優點:
[0048]
本發明結合了基于卷積神經網絡的檢測方式和煙霧無序性特征,實現了在復雜的
工廠環境下煙霧的有效檢測,解決了現有煙霧檢測技術存在抗干擾能力差、煙霧特征提取不全、準確率低等問題,提高了檢測的準確性和穩定性,過程簡單,方便實現。
附圖說明
[0049]
附圖1為本實施例的檢測方法的整體流程圖;
[0050]
附圖2為本實施例的檢測過程的流程圖;
[0051]
附圖3為本實施例的煙霧候選區域的示意圖;
[0052]
附圖4為本實施例的候選區域從圖像中截取的示意圖;
[0053]
附圖5為本實施例的候選區域的煙霧像素分布示意圖。
具體實施方式
[0054]
下面將結合附圖對本發明的技術方案進行清楚、完整地描述,顯然,所描述的實施例是本發明一部分實施例,而不是全部的實施例?;诒景l明中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬于本發明保護的范圍。
[0055]
在本發明的描述中,需要說明的是,術語“中心”、“上”、“下”、“左”、“右”、“豎直”、“水平”、“內”、“外”等指示的方位或位置關系為基于附圖所示的方位或位置關系,僅是為了便于描述本發明和簡化描述,而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作,因此不能理解為對本發明的限制。此外,術語“第一”、“第二”、“第三”僅用于描述目的,而不能理解為指示或暗示相對重要性。
[0056]
在本發明的描述中,需要說明的是,除非另有明確的規定和限定,術語“安裝”、“相連”、“連接”應做廣義理解,例如,可以是固定連接,也可以是可拆卸連接,或一體地連接;可以是機械連接,也可以是電連接;可以是直接相連,也可以通過中間媒介間接相連,可以是兩個元件內部的連通。對于本領域的普通技術人員而言,可以具體情況理解上述術語在本發明中的具體含義。
[0057]
一種基于目標檢測和無序特征的煙霧檢測方法,如圖1所示,包括如下步驟:
[0058]
s1:獲取待檢測區域內監控視頻中的當前幀圖像,具體而言:獲取需要進行煙霧檢測的工廠區域內的攝像頭ip地址,獲取該ip地址下的監控視頻,并對監控視頻進行解碼和抽幀,得到待檢測的當前幀圖像。
[0059]
s2:對獲得的當前幀圖像進行煙霧檢測,如圖2所示,包括:
[0060]
(1)圖像預處理,對獲得的圖像進行畸變矯正,具體而言:
[0061]
攝像頭拍攝得到的監控視頻中的圖像帶有一定畸變,尤其是在視線邊緣部分,畸變更佳嚴重,相機的成像過程實質上是坐標系的轉換,首先空間中的點由“世界坐標系”轉換到“像機坐標系”,然后再將其投影到成像平面(圖像物理坐標系),最后再將成像平面上的數據轉換到圖像像素坐標,但是由于透鏡制造精度以及組裝工藝的偏差會引入畸變,導致原始圖像失真,畸變可分為徑向畸變和切向畸變,在監控視頻中通常為徑向畸變,因此采用徑向畸變矯正公式進行畸變矯正,提高檢測的準確性,防止畸變影響后續檢測步驟中的像素分割,使煙霧像素點的分布與真實情況不符;
[0062]
徑向畸變矯正公式具體為:
[0063]
x0=x(1+k1r2+k2r4+k3r6),
[0064]
y0=y(1+k1r2+k2r4+k3r6),
[0065]
其中:
[0066]
(x0,y0)為畸變像素點的原始位置,
[0067]
(x,y)為畸變矯正后的位置,
[0068]
k1、k2、k3為畸變系數,
[0069]
r=x2+y2。
[0070]
(2)采用煙霧目標檢測神經網絡模型提取圖像中可能存在煙霧的候選區域,具體而言:
[0071]
采用煙霧目標檢測神經網絡模型提取圖像中可能存在煙霧的候選區域的具體步驟包括:
[0072]
1、將預處理后的圖像輸入煙霧目標檢測神經網絡模型,
[0073]
2、煙霧目標檢測神經網絡模型輸出結果,若存在煙霧,則在圖像中用矩形框框出煙霧的位置,即為煙霧的候選區域,如圖3所示;
[0074]
煙霧目標檢測神經網絡模型可采用faster r-cnn網絡或r-fcn網絡或yolo網絡等;煙霧目標檢測神經網絡模型通過如下步驟獲得:
[0075]
1、獲取帶有煙霧的監控視頻的圖像作為訓練樣本,為了保證神經網絡的訓練與檢測效果的一致性,訓練樣本采用與上述步驟同樣的方式進行徑向畸變矯正,
[0076]
2、對圖像中煙霧所在區域進行人工標注,標注信息包括位置和種類,
[0077]
3、將標注好的圖像隨機打亂,按設定比例分為訓練集、驗證集和測試集,設定比例可為6:2:2,
[0078]
4、將標注信息和圖像輸入到神經網絡模型中進行訓練,神經網絡通過前向傳播計算得到煙霧所在的位置作為網絡的輸出,并與標注信息比較,根據煙霧所在的正確位置及網絡當前的預測位置反向傳播更新參數,從而使提取的圖片特征越來越接近煙霧特征,在完成多個設定條件中的至少一個設定條件后,得到煙霧目標檢測神經網絡模型,設定條件包括:實際訓練時間超過預設訓練時間、實際訓練次數超過預設訓練次數、損失函數計算所的差異小于預設差異閾值。
[0079]
當然,在一些實施例中,也可不提取圖像中可能存在煙霧的候選區域,而直接在對整個圖像采用煙霧語義分割神經網絡模型進行像素分割,但是通過采用煙霧目標檢測神經網絡模型提取圖像中可能存在煙霧的候選區域,可縮小后續采用煙霧語義分割神經網絡模型對候選區域進行像素分割的處理范圍,減少了計算量、提高了計算速率,且更便于實現無序性特征指標的計算。
[0080]
(3)采用煙霧語義分割神經網絡模型對候選區域進行像素分割,計算候選區域內煙霧的無序性特征指標,具體而言:
[0081]
采用的神經網絡模型包括mask-rcnn等,煙霧語義分割神經網絡模型的獲得方式與煙霧目標檢測神經網絡模型類似,在此不再贅述;
[0082]
采用煙霧語義分割神經網絡模型對候選區域進行像素分割的具體步驟包括:
[0083]
1、將候選區域從圖像中截取出來,如圖4所示,
[0084]
2、將截取得到的候選區域圖像輸入煙霧語義分割神經網絡模型,
[0085]
3、煙霧語義分割神經網絡模型根據候選區域內單個像素點的顏色、空間分布特
征,判斷是否為煙霧像素點,如圖5所示,得到煙霧像素點的數量;
[0086]
無序性特征指標的計算公式為:
[0087][0088]
其中:
[0089]ci
為無序性特征指標,
[0090]ns
為煙霧像素點的數量,
[0091]nall
為候選區域的像素點總數,
[0092]
wi、hi為候選區域的寬和高。
[0093]
(4)根據無序性特征指標判斷候選區域是否有煙霧,但是僅憑當前幀圖像的無序性指標無法判斷是否無序,需要同時對比前一幀圖像的無序性指標,使煙霧檢測效果更佳穩定,具體而言:將當前幀圖像的無序性特征指標與前一幀圖像的無序性特征指標進行比較,若波動大于設定比例,則當前幀圖像的候選區域內有煙霧,否則沒有煙霧,設定比例通常為5%。
[0094]
(5)保存檢測結果,檢測結果包括已劃出煙霧的位置的原監控視頻圖像、煙霧在圖像中的位置信息和置信度。
[0095]
s3:若煙霧檢測結果為有煙霧,則發出警報提醒工作人員查看,否則返回步驟s1繼續檢測,工作人員關閉警報后,返回步驟s1繼續檢測。
[0096]
通過采用上述煙霧檢測方法進行試驗測試可知:采用煙霧目標檢測神經網絡模型對圖像中可能存在煙霧的候選區域進行粗定位時,真實煙霧的漏檢率為0%;煙霧語義分割神經網絡模型對候選區域進行像素分割時,像素分類準確率為99.5%,即煙霧像素數量的準確率為99.5%;在根據煙霧的無序性特征指標進行判斷時,的正確率相較直接利用目標檢測方法提高了近45%,即準確率為99.5%,提高了檢測的準確性和穩定性;同時,采用本方法檢測一幀視頻圖像的時間均小于0.5秒,檢測速度極快,達到了在復雜工廠環境下進行有效煙霧檢測的目的。
[0097]
上述實施例只為說明本發明的技術構思及特點,其目的在于讓熟悉此項技術的人士能夠了解本發明的內容并據以實施,并不能以此限制本發明的保護范圍。凡根據本發明精神實質所作的等效變化或修飾,都應涵蓋在本發明的保護范圍之內。
當前第1頁1 2 
網友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1