公开/公告号CN112329549A
专利类型发明专利
公开/公告日2021-02-05
原文格式PDF
申请/专利权人 国电大渡河枕头坝发电有限公司;
申请/专利号CN202011107574.0
申请日2020-10-16
分类号G06K9/00(20060101);G06K9/34(20060101);G06K9/62(20060101);G06Q50/06(20120101);G08B17/12(20060101);H04N7/18(20060101);
代理机构51239 成都众恒智合专利代理事务所(普通合伙);
代理人钟显毅
地址 614000 四川省乐山市金口河区滨河路四段1号
入库时间 2023-06-19 09:47:53
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。
机译: 一种燃气炉燃烧器,包括:具有用于引燃主火焰的辐射输出的火焰喷射器,盖,至少一个用于引燃点火火焰的输出端口,以及至少一个用于混合燃料的测试火焰储存室。
机译: 一种用于检测至少一个运动物体在检测区域内的运动路径的方法,一种使用这种识别方法的手势识别系统的过程以及一种用于执行这种识别方法的设备
机译: 用于生产通用火焰状火焰的分段式氧气燃烧器,一种分段式氧气燃烧器系统以及一种用于将炉膛加热至升高温度的低NOx氧气燃烧器的方法