一种面向巡检机器人的火焰实时检测方法技术

本发明专利技术提出了一种面向巡检机器人的火焰实时检测方法，包括：采集运动车载摄像头的图像帧数据，进行预处理，评估图像的清晰度并在未满足条件时施加运动模糊复原算法；利用已训练的深度卷积网络模型提取预处理后图像的深度特征；基于前面所述的深度特征和支持向量机来构造火焰检测器；在判别阶段使用所述火焰检测器来对图像进行目标检测。本发明专利技术提出的火焰图像检测方法可有效地完成视觉上火焰的检测问题，提高了火焰识别的高效性和安全性。本发明专利技术利用深度卷积网络计算的特征来代替传统人工经验特征来提取火焰的相关信息，具有高精度、高可靠性和鲁棒性强的优点，适用于面向巡检机器人实时监测火焰任务的应用需求。

【技术实现步骤摘要】
一种面向巡检机器人的火焰实时检测方法
本专利技术涉及计算机视觉及模式识别
，特别涉及一种面向巡检机器人的火焰实时检测方法。
技术介绍
随着工业化的不断进步，生产力的不断解放，生活水平的逐渐提高，建筑设施和材料越来越密集和多元化，导致火灾因素也越来越多，对消防安全系统的可靠性和精度性提出了更高的挑战。火灾是最常见最普遍地威胁公众安全和社会发展的主要灾害之一，它的发生往往伴随着巨大的直接或间接经济损失，甚至威胁人的生命安全。据统计，仅2018年上半年我国接到的火灾报警就有16万多起。应对火灾，古代人们早就总结出“防为上，救次之，戒为下”的经验。火灾的发生是分阶段的，容易对火灾控制主要是在火焰较小的初期阶段，在火焰自燃情况下，火焰会逐渐变大并在达到峰值后又逐渐减弱，直至介质燃烧完熄灭。所以，尽早发现火灾险情是生命财产安全保障的重要措施。利用信息领域的相关技术提升对火灾现场的感知能力是安全工程领域的重要研究问题，有助于提高火灾现场预警处置的快速性与准确性。近年来人工智能技术获得飞跃式的发展，尤其是计算机视觉和深度学习。目前市面上已出现将固本文档来自技高网...

【技术保护点】
1.一种面向巡检机器人的火焰实时检测方法，对载有摄像头的自动巡检机器人在运动过程中拍摄的图像进行实时火焰检测，其特征在于，检测步骤包括：/n步骤S1，对摄像头采集的图像进行预处理，评估图像的清晰度，当清晰度满足条件时，将预处理后图像还原为彩色图像输入步骤S2中，否则，对图像进行去运动模糊处理，输出处理后的彩色图像到步骤S2；其中，预处理包括：按要求对图像尺寸进行缩放，然后灰度化；/n步骤S2，利用已训练好的深度卷积网络提取彩色图像的深度特征；/n其中，深度卷积网络采用Inception v2架构，网络的输入为步骤S1输出的图像，输出为图像的深度特征；在训练深度卷积网络时，将深度卷积网络的最后一...

【技术特征摘要】
1.一种面向巡检机器人的火焰实时检测方法，对载有摄像头的自动巡检机器人在运动过程中拍摄的图像进行实时火焰检测，其特征在于，检测步骤包括：
步骤S1，对摄像头采集的图像进行预处理，评估图像的清晰度，当清晰度满足条件时，将预处理后图像还原为彩色图像输入步骤S2中，否则，对图像进行去运动模糊处理，输出处理后的彩色图像到步骤S2；其中，预处理包括：按要求对图像尺寸进行缩放，然后灰度化；
步骤S2，利用已训练好的深度卷积网络提取彩色图像的深度特征；
其中，深度卷积网络采用Inceptionv2架构，网络的输入为步骤S1输出的图像，输出为图像的深度特征；在训练深度卷积网络时，将深度卷积网络的最后一层的输出连接softmax激励函数，softmax激励函数的输出类型个数为2，分别代表图像是否存在火焰；将训练样本输入深度卷积网络，调整深度卷积网络的全连接层的参数，直到训练后的网络的输出准确度达到预设标准；
步骤S3，利用支持向量机来构造火焰检测器，火焰检测器的输入为深度特征，输出为图像是否存在火焰的结果；利用训练样本提取的深度特征训练支持向量机的模型参数；
步骤S4，将摄像头实时拍摄的图像经过步骤S1和S2处理后输入训练好的支持向量机，...

【专利技术属性】
技术研发人员：牛建伟，赵晓轲，赵青娟，
申请(专利权)人：北京航空航天大学，赛尔网络有限公司，
类型：发明
国别省市：北京;11