一种用于水电厂区的火焰识别方法

技术领域

本发明涉及水电站安全监测技术，具体地讲，是涉及一种用于水电厂区的火焰识别方法。

背景技术

水电厂区内通常会安装很多摄像头，用于安防监控，由相关工作人员值守，并由工作人员去实时监控发现问题，及时报警。由于摄像头多，视频多，人工去看实时视频发现问题显得效率低，而且长时间人员视觉容易疲劳，突发事件可能没及时发现或遗漏，造成损失。

其中火源火焰是可能危及水电厂区生产运行安全的一个重要因素。现有技术有基于火焰的特征如频闪、尖角、圆形度、颜色、闪烁移动等特征融合的方法，但这种传统方法需要人工去定义火焰的特征，容易受到外部环境如光照、人员走动、图片背景等的干扰，而且容易遗漏，召回率较低，而对于水电场景下要求火焰检测精确率高、召回率高，发生火警一定要及时报出，不能遗漏，这种传统提取火焰特征的方法就有很大局限性。也有基于深度学习的火焰目标检测方法，针对视频中的每一帧图像进行目标检测，这种方法要求足够多的样本进行训练，但水电厂的火焰样本非常少；再加上视频图片尺寸较大，监控拍摄存在一定距离，火焰有时在图像中面积占比较小，而基于深度学习的目标检测往往对小目标的检测准确率不高；另外对每一帧都进行目标检测，资源消耗大。还有基于视频流的运动目标检测加火焰特征识别的方法，虽然减少了不必要的检测，但使用传统图像特征漏检多，厂区内人员走动，与火焰特征相似的安全帽或服装等都容易造成误判。

发明内容

针对上述现有技术中的上述问题，本发明提供一种精确率高、召回率高的用于水电厂区的火焰识别方法。

为了实现上述目的，本发明采用的技术方案如下：

一种用于水电厂区的火焰识别方法，包括以下步骤：

S10、实时获取水电厂区内各个摄像头的视频流，利用KNN背景建模，对运动目标检测，并提取运动目标区域存储为区域图片；其中，KNN是指K Nearest Neighbors算法；

S20、对提取的运动目标区域的区域图片进行图像缩放处理，输入火焰分类模型，判断其是否为火焰，若是，则发出火焰报警；

其中，所述火焰分类模型由轻量级神经网络MobileNetV3对预先收集的火焰数据进行火焰特征深度学习后获得。

具体地，所述步骤S10具体包括：

S11、实时获取水电厂区内各个摄像头的视频流；

S12、采用OPENCV2软件的createBackgroundSubtractorKNN函数，通过设置训练的帧数、阴影检测获得背景，再计算获得当前图片的前景掩码；

S13、对前景区域二值化，将非白色的非前景区域均设置为0，白色的前景区域设置为255；

S14、对二值化后的前景区域进行图像形态上的处理，通过腐蚀、膨胀操作，消除噪声；

S15、对二值化后的图片利用cv2.findContours函数获得矩形轮廓坐标，该获得的矩形轮廓对象即为图片中的运动目标；

S16、根据矩形轮廓坐标从原图中提取对应的矩形区域，形成运动目标区域的区域图片。

所述步骤S12中，训练的帧数为15-30帧。

所述步骤S13中，定义非白色的像素值为0-244，白色的像素值为244-255。

所述步骤S16中，提取出矩形区域的图片后，先根据该图片的宽高对图片周围进行填充，使用像素值为0的黑色进行填充，然后将其缩放为指定尺寸，形式所述区域图片。

所述指定尺寸为(200～240)*(200～240)像素点。

并且，所述获得区域图片后，对应视频流将其以矩阵形式存储。

具体地，所述火焰分类模型建立时，预先收集大量的任何环境下的火焰数据，将其中80％的火焰数据组成训练数据集，剩余的火焰数据作为测试数据集。

具体地，所述轻量级神经网络MobileNetV3采用h-swish激活函数进行训练：

其损失函数采用交叉熵损失函数，公式如下：

该式中，p表示真实值，是one-hot向量形式，q是预测值并且q是经过softmax函数处理后的值；

根据预先收集的火焰数据进行深度学习训练后，确定出该火焰分类模型。

与现有技术相比，本发明具有以下有益效果：

本发明对于水电厂区实时提取的视频流，先利用KNN背景建模，做运动目标检测，完成初筛，如有运动目标提取运动目标区域，然后对运动目标进行深度学习图片分类，判断其是否为火焰，本发明方法不需要对每帧图进行检测，火焰分类的样本数据不必依赖水电厂区背景因此容易收集，此方法能准确检测大、小火焰，精确率高、召回率高，速度快。

附图说明

图1为本发明-实施例的流程示意图。

图2为本发明-实施例中运动目标检测的流程示意图。

图3为本发明-实施例中火焰分类模型训练流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

实施例

如图1至图3所示，该用于水电厂区的火焰识别方法，包括以下步骤：

S10、实时获取水电厂区内各个摄像头的视频流，利用KNN背景建模，对运动目标检测，并提取运动目标区域存储为区域图片；

S11、读取视频：实时获取水电厂区内各个摄像头的视频流；

S12、背景建模，计算前景掩码：采用OPENCV2软件的createBackgroundSubtractorKNN函数，通过设置训练的帧数、阴影检测获得背景，再计算获得当前图片的前景掩码；其中，训练的帧数为15-30帧，可优选为20帧；

S13、对前景区域二值化：将非白色的非前景区域均设置为0，白色的前景区域设置为255；其中，非白色的像素值为0-244，白色的像素值为244-255，所述非前景区域包含背景及阴影；

S14、形态学处理：对二值化后的前景区域进行图像形态上的处理，通过腐蚀、膨胀操作，消除噪声；

S15、获得轮廓坐标：对二值化后的图片利用cv2.findContours函数获得矩形轮廓坐标，该获得的矩形轮廓对象即为图片中的运动目标；

S16、轮廓区域处理：根据矩形轮廓坐标从原图中提取对应的矩形区域，该区域是一张图片，为保证图片缩放不变型，先根据该图片的宽高对图片周围进行填充，使用像素值为0的黑色进行填充，然后将其缩放为指定尺寸，如(200～240)*(200～240)像素点，形成运动目标区域的区域图片；并对应视频流将其以矩阵形式存储。

S20、对提取的运动目标区域的区域图片进行图像缩放处理，输入火焰分类模型，判断其是否为火焰，若是，则发出火焰报警。由于输入的运动目标区域是原图中的一部分，尺寸较小，不需要专门水电厂内的火焰数据集，任何环境下的火焰数据集都有效，因此数据集更容易收集，同时相较于传统基于特征的火焰分类方法，深度学习能更好的提取火焰特征，识别精度高。

其中，预先收集大量的任何环境下的火焰数据，将其中80％的火焰数据组成训练数据集，剩余的火焰数据作为测试数据集；

所述火焰分类模型由轻量级神经网络MobileNetV3对预先收集的火焰数据进行火焰特征深度学习后获得。

具体地，所述轻量级神经网络MobileNetV3采用h-swish激活函数进行训练：

其损失函数采用交叉熵损失函数，公式如下：

该式中，p表示真实值，是one-hot向量形式，q是预测值并且q是经过softmax函数处理后的值；

根据预先收集的火焰数据进行深度学习训练后，确定出该火焰分类模型。

测试中，共收集到火焰19620张，非火焰41060张，分别从火焰和非火焰集中选取80％组成训练数据集，其余作为测试数据集。MobileNetV3网络训练后，利用测试数据集对模型进行测试，精确率达到99.9％，召回率为95％。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。