[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117853935B - 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台 - Google Patents

一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台 Download PDF

Info

Publication number
CN117853935B
CN117853935B CN202410258748.5A CN202410258748A CN117853935B CN 117853935 B CN117853935 B CN 117853935B CN 202410258748 A CN202410258748 A CN 202410258748A CN 117853935 B CN117853935 B CN 117853935B
Authority
CN
China
Prior art keywords
image
cable
flame
model
hidden layer
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
Application number
CN202410258748.5A
Other languages
English (en)
Other versions
CN117853935A (zh
Inventor
邹海楠
王改弟
毛孝丹
马双山
黄玉龙
张祥帅
崔广喜
李道禹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Shenghua Cable Group Co ltd
Original Assignee
Henan Shenghua Cable Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Shenghua Cable Group Co ltd filed Critical Henan Shenghua Cable Group Co ltd
Priority to CN202410258748.5A priority Critical patent/CN117853935B/zh
Publication of CN117853935A publication Critical patent/CN117853935A/zh
Application granted granted Critical
Publication of CN117853935B publication Critical patent/CN117853935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Nonlinear Science (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明提出一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台，通过捕捉测试电缆的视频数据，并转化为逐帧的二维图像，进行预处理。将三通道原始图像和预处理后的掩盖图像一起传入火焰亮度形态混合识别模型，从而检测原图像中火焰发生的位置和火焰的形态特征，以准确获得电缆火蔓延过程参数。预处理的目的是减轻环境因素对关注目标物（即电缆及其燃烧状况）的干扰，提高视觉分析的精度。

Description

一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务 平台
技术领域
本发明内容属于材料分析检测领域，特别地，涉及一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台。
背景技术
随着电气化程度的显著提高，电气设备和电子产品得到广泛的应用，电气火灾的发生频率不断提高，也逐渐成为火灾发生原因之首。电气火灾通常被定义为电线电缆、供电配电设备、用电仪器出现非故障性或故障性的电热转化(比如电弧、高温、电火花、雷电、静电等)，释放大量的能量，引燃本体或者附近具备燃烧条件的可燃物，从而引发火灾。其中电缆和电缆的短路、过载是导致火灾发生的最主要原因之一。因此，开展对电缆的点燃和蔓延行为的相关机理的研究与测试，是保证电缆质量，预防火灾灾情的重要和必要工作。
电缆的点燃和蔓延特性已在工业界有较为深入的了解，而电缆点燃后沿着表面蔓延往往是导致火灾扩散的主要原因。与普通固体相比，电缆火蔓延过程更为复杂，为此，需要对电缆火蔓延过程中火焰形态、火蔓延速度、火焰特征长度和熄灭临界进行研究与测试。通常，这些测试需要反复、大量进行，而传统测试过程通过人工肉眼鉴定，存在工作强度大、风险程度高、且测试水平和标准存在较大偏差的问题。
基于视觉的火焰检测与测量方法近年来随着机器视觉技术的演进，开始广泛应用于工业界如烟雾检测、火源探测等。经典的视觉火焰检测任务，通常只需要探测火源的有无，而面对电缆火蔓延过程中更为复杂的参数测试要求，经典模型的检测精度较低。
发明内容
为了适应电缆火焰蔓延测试的指标要求，本文提出一种基于视觉分析的电缆火焰蔓延检测方法，利用并改进经典的视觉火焰检测模型，优化检测过程，使检测方法达到更高检测精度和鲁棒性。
一种基于视觉分析的电缆火焰蔓延检测方法，包括：
（1）对准测试电缆，以预定帧率采集视频；
（2）按时间顺序排列二维图像帧，并逐帧进行预处理；其中预处理包括：建立电缆表观的光分布颜色模型
其中是光分布颜色模型的变量，/>表示像素的颜色值，/>表示图像的平均亮度水平，C表示/>的集合，/>表示样本均值，/>表示协方差矩阵；
设表示表示正样本模型参数，/>表示负样本模型参数；对任一幅图像/>中的一个像素/>，计算该图像平均亮度水平/>，如果/>，则该像素标记为1，否则标记为0，由此为每幅图像/>计算获得一个掩盖图像/>；
（3）构建火焰亮度形态混合识别模型，利用输入的原图像和掩盖图像，检测原图像中火焰发生的位置和火焰的形态特征，以获得电缆火蔓延过程参数；所述模型为神经网络模型，包括6个隐藏层和一个输出层；
其中第一隐藏层，定义为：
其中第一隐藏层的输出分为两部分和/>；/>由原图像的色调通道H和饱和度通道S获得，包含/>共16*2=32个独立卷积核；/>由原图像的亮度通道V和掩盖图像通道M获得，包含/>共8*2=16个独立卷积核。
所述预处理还包括：采用中值滤波算法对每帧图像数据的自然噪声进行初步过滤。
所述预处理实现了对图像的每个像素进行标记，区分为电缆部分和非电缆部分。
像素标记为1时代表正样本，标记为0时代表负样本。
所述正样本为电缆，负样本为非电缆。
在输入模型前，将原图像分离为亮度V、色调H和饱和度S。
所述分离方法为：
其中R、G、B为原图像的颜色参数。
所述神经网络模型，具有四个输入通道，分别为原图像的亮度V、色调H和饱和度S通道，以及掩盖图像通道。
一种电缆火焰蔓延检测的装置，使用上述基于视觉分析的电缆火焰蔓延检测方法。
一种实现电缆火焰蔓延检测的服务平台，实施上述基于视觉分析的电缆火焰蔓延检测方法。
本发明的发明点及技术效果：
1、本发明特点在于提出一种电缆火焰蔓延的视频/图像采集系统，捕捉测试电缆的视频数据，并转化为逐帧的二维图像，进行预处理。预处理的目的是减轻环境因素对关注目标物（即电缆及其燃烧状况）的干扰，提高视觉分析的精度。
2、本发明特点在于在预处理阶段，建立电缆表观的光分布颜色模型，用以度量在不同环境光照下图像像素颜色值的分布模型，根据光分布颜色模型标记像素，生成掩盖图像，并与原图像一起传入视觉分析模型，从而改进分析结果。
3、本发明特点在于提出一种火焰亮度形态混合识别模型，利用输入的三通道原图像和掩盖图像，检测原图像中火焰发生的位置和火焰的形态特征，以准确获得电缆火蔓延过程参数。
4、本发明特点在于使用的神经网络模型引入了掩盖图像通道，并进一步引入了分离-复原结构，通过将输入的原始图像数据分离为逻辑上的两个部分，分别提取特征，实现对火焰形态和火焰亮度的分别编码，有助于提高特征识别的识别率；在第五、第六隐藏层对分离的逻辑部分结合复原，并通过全连接层进一步编码特征，实现了改进的火焰识别。
具体实施方式
步骤1利用电缆火焰蔓延的视频/图像采集系统，捕捉测试电缆的视频数据，并转化为逐帧的二维掩盖图像，便于视觉分析。
首先，采用高清摄像机对准测试电缆装置，以一定帧率采集视频。
其次，按时间顺序排列二维图像帧，并逐帧进行预处理。预处理的目的是减轻环境因素对关注目标物（即电缆及其燃烧状况）的干扰，提高视觉分析的精度。
预处理过程是视觉分析的常用过程之一，用于去除视频或图像信号中与关注目标物（称为信号）不相关的信号内容（称为噪声），以提高信号噪声比，又称为滤波。对连续信号，通常采用频域滤波器。对于离散数据，通常采用与频域滤波器类似的卷积模板，例如高斯卷积。
传统的预处理过程主要是去除由于电子元件、环境光干扰等自然产生的自然噪声。本例中，由于需要对电缆火焰蔓延的多项参数实施自动检测，在去除上述自然噪声的基础上，需要对视频数据中电缆的位置进行定位，从而为接下来的视觉分析过程提供参考。
该改进的预处理过程如下。
P1、采用中值滤波算法对每帧图像数据的自然噪声进行初步过滤。
P2、进一步对图像的每个像素进行标记，即电缆部分和非电缆部分。
该标记过程的具体操作步骤为：
P2.1、建立电缆表观的光分布颜色模型，用以度量在不同环境光照下图像像素颜色值的分布模型。
由于电缆燃烧时产生光照，会对电缆在图像中的颜色分布产生影响，为了方法能够在燃烧蔓延测试的整个过程中稳定工作，需要实施建立电缆的光分布颜色模型。
电缆的光分布颜色模型定义为：
上式中，是光分布颜色模型的变量，/>表示像素的颜色值，/>表示图像的平均亮度水平，计算方法为图像中颜色值最高的5%-25%之间的像素颜色值的平均值；表示待估计的概率参数，这里用C表示/>的集合。/>表示样本均值，/>表示协方差矩阵。通过引入图像的平均亮度水平变量，能够补偿电缆燃烧时产生光照对图像颜色分布的影响，提高视觉分析的稳定性。
准备训练样本，包括正样本与负样本。正样本为电缆图像，负样本为非电缆图像。并采用最大似然估计法，根据正、负样本分别计算、/>的值，获得电缆的光分布颜色模型，用于标记图像中一个像素是否为电缆。
P2.2、根据光分布颜色模型标记像素。
设表示表示正样本模型参数，/>表示负样本模型参数。对一幅图像中的一个像素/>，计算该图像平均亮度水平/>，并比较，如果/>，则该像素标记为正样本1（电缆），否则标记为负样本0（非电缆）。
经过上述标记过程，为每幅图像计算获得一个掩盖图像/>，其与原图像等大小，每个像素取值为1或0，对应于原图对应位置像素为正样本或负样本。该掩盖图像将与原图像一起传入视觉分析模型，从而改进分析结果。
步骤2构建一种火焰亮度形态混合识别模型，利用输入的原图像和掩盖图像，检测原图像中火焰发生的位置和火焰的形态特征，以获得电缆火蔓延过程参数。
采用摄像机获得原图像包括RGB三通道，每个通道的像素值是一个标量，首先将其分离为亮度（V）、色调（H）和饱和度（S）。
设计一种神经网络分类模型，其输入四个通道的二维图像，分别为上述亮度（V）、色调（H）和饱和度（S）三个通道，以及步骤1获得的掩盖图像通道。
上述输入经过神经网络模型的若干隐藏层，输出所需的识别结果。其具体过程如下。
首先通过第一隐藏层，定义为：
式左边，是第一隐藏层的输出，分为两部分和/>。/>由色调通道H和饱和度通道S获得，包含/>共16*2=32个独立卷积核，分别对图像的色调特征饱和度特征进行建模，这部分主要编码了火焰的形态。/>由亮度通道V和掩盖图像通道M获得，包含共8*2=16个独立卷积核，用于对火焰的亮度特征进行建模，这部分主要编码火焰的位置。
式右边，、/>、/>、/>表示卷积核的线性系数，/>、/>为线性截距，/>是神经网络的激活函数，/>指图像坐标，/>指卷积核内的坐标。
神经网络的激活函数定义为：
式中，为激活函数的尺度参数，用于调节学习收敛速度。上述分段函数与经典的sigmoid函数，ReLU等函数相比，对于输入的各通道的联合样本具有更好的分类效果。
接下来，通过第二隐藏层，定义为：
上式中左边是第二隐藏层的输出，右边max表示最大池化，在4*4的池化窗口中取局部最大值。
接下来，通过第三隐藏层，定义为：
式左边，是第三隐藏层的输出，对应的包含/>共16*2=32个独立卷积核。/>包含/>共8*2=16个独立卷积核。式右边，/>、/>表示卷积核的线性系数，/>、/>为线性截距，/>是前面定义的激活函数。
接下来，通过第四隐藏层，定义为：
上式中左边是第四隐藏层的输出，右边max表示最大池化，在4*4的池化窗口中取局部最大值。
接下来，通过第五隐藏层，定义为：
式左边，是第五隐藏层的输出与/>，对应的/>包含/>共16*2=32个独立卷积核。/>包含/>共8*2=16个独立卷积核。式右边，/>、/>表示卷积核的线性系数，/>、/>为线性截距，/>是前面定义的激活函数。
接下来，通过第六隐藏层，定义为：
左边，是第六隐藏层的输出，通过一组线性系数/>将第五隐藏层的两个逻辑部分连接在一起，对应位置的像素共享系数。/>为线性截距./>是前面定义的激活函数。
上面定义了神经网络模型的全部六个隐藏层。与图像识别经典的卷积网络相比，本文所使用的神经网络模型引入了掩盖图像通道，并进一步引入了分离-复原结构，通过将输入的原始图像数据分离为逻辑上的两个部分，分别提取特征，实现对火焰形态和火焰亮度的分别编码，有助于提高特征识别的识别率；在第五、第六隐藏层对分离的逻辑部分结合复原，并通过全连接层进一步编码特征，实现了改进的火焰识别。
神经网络模型的输出层定义为：
由线性系数与第六隐藏层形成全连接层。/>为线性截距./>是前面定义的激活函数。输出/>对应于不同形态的火焰。
采用Q类火焰形态的训练数据，对上述模型进行训练，根据代价函数
迭代优化求解线性系数和线性截距的最优解。表示训练样本标记值。
根据训练后的上述模型，可逐帧检测图像中火焰的位置和形态，并进一步计算火蔓延速度、火焰特征长度等检测指标。
本发明提出一种基于视觉分析的电缆火焰蔓延检测方法，利用并改进经典的视觉火焰检测模型，优化检测过程，实现对更多电缆火焰蔓延指标的检测，与现有视觉检测方法相比，达到更高检测精度和鲁棒性。
表1
可以理解，以上实施方式只是在本发明的构思下提出的举例，并不对本发明的构思产生更小的限定作用。

Claims (10)

1.一种基于视觉分析的电缆火焰蔓延检测方法，其特征在于：
(1)对准测试电缆，以预定帧率采集视频；
(2)按时间顺序排列二维图像帧，并逐帧进行预处理；其中预处理包括：建立电缆表观的光分布颜色模型
其中X＝(i，j)T是光分布颜色模型的变量，i表示像素的颜色值，j表示图像的平均亮度水平，C表示μ，∑的集合，μ表示样本均值，∑表示协方差矩阵；
设C+＝μ+，∑+表示表示正样本模型参数，C-＝μ-，∑-表示负样本模型参数；对任一幅图像L中的一个像素i，计算该图像平均亮度水平j，如果P(X|C+)>P(X|C-)，则该像素标记为1，否则标记为0，由此为每幅图像L计算获得一个掩盖图像M；
(3)构建火焰亮度形态混合识别模型，利用输入的原图像和掩盖图像，检测原图像中火焰发生的位置和火焰的形态特征，以获得电缆火蔓延过程参数；所述模型为神经网络模型，包括6个隐藏层和一个输出层；
其中第一隐藏层，定义为：
其中第一隐藏层的输出分为两部分Θ1k和Φ1l；Θ1k由原图像的色调通道H和饱和度通道S获得，包含k＝1，2，...，16共16＊2＝32个独立卷积核；Φ1l由原图像的亮度通道V和掩盖图像通道M获得，包含l＝1，2，...，8共8＊2＝16个独立卷积核；，a1k、b1k、r1l、s1l表示卷积核的线性系数，d1k、e1l为线性截距，γ是神经网络的激活函数，x,y指图像坐标，u,v指卷积核内的坐标；
第二隐藏层，定义为：
max表示最大池化，在4*4的池化窗口中取局部最大值；Θ2k(x,y)、Φ2l(x,y)为第二隐藏层的输出；
第三隐藏层，定义为：
Θ3k、Φ3l是第三隐藏层的输出，a3k、r3l表示卷积核的线性系数，d3k、e3l为线性截距；
第四隐藏层，定义为：
Θ4k(x,y)、Φ4l(x,y)是第四隐藏层的输出，右边max表示最大池化，在4*4的池化窗口中取局部最大值；
第五隐藏层，定义为：
Θ5(x,y)、Φ5(x,y)是第五隐藏层的输出，a5k、r5l表示卷积核的线性系数，d5、e5为线性截距；
第六隐藏层，定义为：
Ψ6是第六隐藏层的输出，ω6为一组线性系数，d6为线性截距；
输出层定义为：
ω7为线性系数，d7为线性截距，输出z(q)对应于不同形态的火焰。
2.如权利要求1所述的方法，其特征在于：所述预处理还包括：采用中值滤波算法对每帧图像数据的自然噪声进行初步过滤。
3.如权利要求1所述的方法，其特征在于：所述预处理实现了对图像的每个像素进行标记，区分为电缆部分和非电缆部分。
4.如权利要求1所述的方法，其特征在于：像素标记为1时代表正样本，标记为0时代表负样本。
5.如权利要求4所述的方法，其特征在于：所述正样本为电缆，负样本为非电缆。
6.如权利要求1所述的方法，其特征在于：在输入模型前，将原图像分离为亮度V、色调H和饱和度S。
7.如权利要求6所述的方法，其特征在于：所述分离方法为：
其中R、G、B为原图像的颜色参数。
8.如权利要求1所述的方法，其特征在于：所述神经网络模型，具有四个输入通道，分别为原图像的亮度V、色调H和饱和度S通道，以及掩盖图像通道。
9.一种电缆火焰蔓延检测的装置，其特征在于：使用如权利要求1-8任一所述基于视觉分析的电缆火焰蔓延检测方法。
10.一种实现电缆火焰蔓延检测的服务平台，其特征在于：实施如权利要求1-8任一所述基于视觉分析的电缆火焰蔓延检测方法。
CN202410258748.5A 2024-03-07 2024-03-07 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台 Active CN117853935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410258748.5A CN117853935B (zh) 2024-03-07 2024-03-07 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410258748.5A CN117853935B (zh) 2024-03-07 2024-03-07 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台

Publications (2)

Publication Number Publication Date
CN117853935A CN117853935A (zh) 2024-04-09
CN117853935B true CN117853935B (zh) 2024-06-11

Family

ID=90546917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410258748.5A Active CN117853935B (zh) 2024-03-07 2024-03-07 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台

Country Status (1)

Country Link
CN (1) CN117853935B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090054522A (ko) * 2007-11-27 2009-06-01 계명대학교 산학협력단 비전 기반의 화재 감지 시스템 및 방법
CN101840571A (zh) * 2010-03-30 2010-09-22 杭州电子科技大学 一种基于视频图像的火焰检测方法
CN102509078A (zh) * 2011-10-28 2012-06-20 北京安控科技股份有限公司 基于视频分析的烟火检测装置
CN107944359A (zh) * 2017-11-14 2018-04-20 中电数通科技有限公司 基于视频的火焰检测方法
CN110135269A (zh) * 2019-04-18 2019-08-16 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法
WO2022121129A1 (zh) * 2020-12-12 2022-06-16 南方电网调峰调频发电有限公司 烟火识别方法、装置、计算机设备和存储介质
CN115909196A (zh) * 2022-11-03 2023-04-04 安徽大学 一种视频火焰检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101081051B1 (ko) * 2010-11-16 2011-11-09 계명대학교 산학협력단 퍼지 유한상태 오토마타를 이용한 화재 불꽃 감지 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090054522A (ko) * 2007-11-27 2009-06-01 계명대학교 산학협력단 비전 기반의 화재 감지 시스템 및 방법
CN101840571A (zh) * 2010-03-30 2010-09-22 杭州电子科技大学 一种基于视频图像的火焰检测方法
CN102509078A (zh) * 2011-10-28 2012-06-20 北京安控科技股份有限公司 基于视频分析的烟火检测装置
CN107944359A (zh) * 2017-11-14 2018-04-20 中电数通科技有限公司 基于视频的火焰检测方法
CN110135269A (zh) * 2019-04-18 2019-08-16 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法
WO2022121129A1 (zh) * 2020-12-12 2022-06-16 南方电网调峰调频发电有限公司 烟火识别方法、装置、计算机设备和存储介质
CN115909196A (zh) * 2022-11-03 2023-04-04 安徽大学 一种视频火焰检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Doddapaneni Tanmayi et al..Detecting Fire in Color Images using Convolutional Neural Network Architectures.《2023 IEEE 8th International Conference for Convergence in Technology》.2023,1-6. *
Pavel Chmelar et al..Efficiency of HSV over RGB Gaussian Mixture Model for Fire Detection .《2014 24th International Conference Radioelektronika》.2014,1-4. *
蒋先刚 等.基于时空块协方差融合特征的火焰识别方法.《计算机工程与应用》.2016,第52卷(第17期),208-214. *

Also Published As

Publication number Publication date
CN117853935A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Gasparini et al. Color correction for digital photographs
CN107944359A (zh) 基于视频的火焰检测方法
CN104361593B (zh) 一种基于hvs和四元数的彩色图像质量评价方法
CN109637068A (zh) 智能烟火识别系统
CN104184925A (zh) 一种视频场景变化的检测方法
US8260005B2 (en) Portable tool for determining meat quality
CN111160216A (zh) 一种多特征多模型的活体人脸识别方法
CN105894015A (zh) 一种道闸状态分析方法和系统
CN109089992A (zh) 一种基于机器视觉的鱼类新鲜度的分类方法及系统
WO2014200155A1 (ko) 스펙트럼내 중첩 피크 분리 장치 및 이를 이용하는 x선 형광 분석 장치
CN110812753A (zh) 具有明火点识别功能的人工智能灭火方法及灭火器设备
CN117853935B (zh) 一种基于视觉分析的电缆火焰蔓延检测方法、装置和服务平台
KR100723967B1 (ko) 윤곽선 검출방식을 이용한 하네스의 검사방법 및 장치
CN116895050B (zh) 一种隧道火灾识别方法及装置
Suhasini et al. PCB defect detection using image subtraction algorithm
CN113504240A (zh) 基于分层编码和视觉感知的电力设备故障检测方法
CN112560706B (zh) 一种多源卫星图像水体目标识别方法及装置
Li et al. Identifying photorealistic computer graphics using second-order difference statistics
Yuan et al. Color image quality assessment with multi deep convolutional networks
Wang et al. Low-light forest flame image segmentation based on color features
CN116052041A (zh) 基于深度网络的指示灯状态识别方法
Li et al. Research on Cable Fire Detection and Early Warning Based on Deep Learning
Faria et al. A computer vision system for color grading wood boards using fuzzy logic
Dehesa‐González et al. Lighting source classification applied in color images to contrast enhancement
CN109241637B (zh) 一种可适用于光谱分析的智能建模系统及方法

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