一种烟火检测方法及系统、存储介质及终端技术方案

本发明专利技术提供一种烟火检测方法及系统、存储介质及终端，包括以下步骤：获取包含有火焰和/或烟雾的视频图像；基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。本发明专利技术的烟火检测方法及系统、存储介质及终端基于人工智能深度学习技术和计算机视觉技术实现对视频画面中烟雾和火焰的检测、定位和跟踪，准确度高，灵活性好，适用于应用场景广泛。

【技术实现步骤摘要】
一种烟火检测方法及系统、存储介质及终端
本专利技术涉及图像处理的
，特别是涉及一种烟火检测方法及系统、存储介质及终端。
技术介绍
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。目前，基于计算机视觉的图像识别技术已经相对比较成熟。但是，对于火焰、烟雾的识别依然存在以下不足：(1)基于单特征的识别算法存在效率低、耗时长、系统资源占用高等问题。(2)基于单帧的识别算法使用边缘、纹理、亮度和运动特征的原始图像特征分析，在不同光照条件、背景条件下，如：背光、对比度，会产生不同程度的噪声影响。(3)基于图像分割技术，采用阈值法、区域生长、边缘检测以及其他数学模型的算法，针对单一场景能取得较好的效果。但是，由于应用场景的多样性，当环境变化后，单一数学模型在更换场景后都存在各种不足。(4)基于时间序列的多帧计算，随着摄像头画面清晰度的逐渐增加计算量级也呈几何级增长。也就是说，随着视频画面分辨率的增加，计算耗时会增加，计算效率会产生下降。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种烟火检测方法及系统、存储介质及终端，基于人工智能深度学习技术和计算机视觉技术实现对视频画面中烟雾和火焰的检测、定位和跟踪，准确度高，灵活性好，适用于应用场景广泛。为实现上述目的及其他相关目的，本专利技术提供一种烟火检测方法，包括以下步骤：获取包含有火焰和/或烟雾的视频图像；基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。于本专利技术一实施例中，基于所述火焰区域进行火焰检测包括以下步骤：提取所述火焰区域上的火焰关键点信息；基于所述视频图像中前后帧的火焰关键点信息，将所述前后帧的火焰关键点信息进行集合运算，并将前帧关键点补集和后帧关键点补集作为火焰关键点变化信息；对所述火焰关键点变化信息中的的每个火焰关键点进行过滤，将符合红绿分量和绿色分量特征的火焰关键点作为有效变化火焰关键点；将前后帧火焰关键点并集和所有的有效变化火焰关键点进行连接，得到的封闭区间即为所述火焰区域。于本专利技术一实施例中，基于计算机视觉应用OpenCV的特征检测器和特征分析器来提取所述火焰关键点信息。于本专利技术一实施例中，基于所述烟雾区域进行烟雾检测包括以下步骤：基于光流跟踪算法对所述烟雾区域进行烟雾识别；对烟雾识别结果进行过滤和验证，以获取检测到的烟雾。于本专利技术一实施例中，基于图像二值化、sobel和canny边缘提取、光流法、阈值法、区域生长、小波变换中的一种或多种进行过滤和验证。于本专利技术一实施例中，基于DNN网络的目标检测算法来识别所述视频图像中的火焰区域和/或烟雾区域。对应地，本专利技术提供一种烟火检测系统，包括获取模块、识别模块、裁剪模块和检测模块；所述获取模块用于获取包含有火焰和/或烟雾的视频图像；所述识别模块用于基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；所述裁剪模块用于基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；所述检测模块用于基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。本专利技术提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的烟火检测方法。本专利技术提供一种烟火检测终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述烟火检测终端执行上述的烟火检测方法。最后，本专利技术提供一种烟火检测系统，包括上述的烟火检测终端和视频图像采集装置；所述视频图像采集装置用于采集包含有火焰和/或烟雾的视频图像，并发送至所述烟火检测终端。如上所述，本专利技术的烟火检测方法及系统、存储介质及终端，具有以下有益效果：(1)将人工智能和计算机视觉相结合，利用DNN强大的神经网络进行高效运算，克服了计算机视觉算法不能很好的适应各种差异化环境的问题，且通过深度学习及对样本的扩充，有效提高了各种环境下的准确率；(2)仅需依靠普通网络摄像头，无需再增加传感器等其他设备进行辅助，从而减少不同设备之间配合不同步的问题，避免由此导致的可靠性下降的问题；(3)准确度高，灵活性好，能够高度适应目标应用环境。附图说明图1显示为本专利技术的烟火检测方法于一实施例中的流程图；图2显示为本专利技术的火焰检测方法于一实施例中的图像示意图；图3显示为本专利技术的烟雾检测方法于一实施例中的图像示意图；图4显示为本专利技术的烟火检测系统于一实施例中的结构示意图；图5显示为本专利技术的烟火检测终端于一实施例中的结构示意图；图6显示为本专利技术的烟火检测系统于一实施例中的结构示意图。元件标号说明41获取模块42识别模块43裁剪模块44检测模块51处理器52存储器61烟火检测终端62视频图像采集装置具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。随着人工智能技术的飞速发展，大量深度神经网络(DeepNeuralNetwork，DNN)技术不断被应用，类似YOLO(Youonlylookonce)、物体识别(Objectdetection)以及其他深度学习技术也更加成熟，各算法的计算效率和性能近几年也有数倍的提高。同时，用于人工智能应用(包括机器学习、深度学习)的硬件技术和种类也越来越多，硬件算力也有大幅度提高。因此，本专利技术的烟火检测方法及系统、存储介质及终端，本专利技术采用的人工智能和计算机视觉联合检测的方法基于人工智能深度学习技术和计算机视觉技术实现对视频画面中烟雾和火焰的检测、定位和跟踪，其中人工智能技术进行初步筛选，计算机视觉技术完成特征检测和分析，从而有效提高了准确度，灵活性好，适用于应用场景广泛。如图1所示，于一实施例中，本专利技术的烟火检测方法包括以下步骤：步骤S1、获取包含有火焰和/或烟雾的视频图像。具体地，视频图像采集装置，如摄像头采集包含有火焰和/或烟雾的视频图像，并通过有线或无线的本文档来自技高网...

【技术保护点】
1.一种烟火检测方法，其特征在于：包括以下步骤：/n获取包含有火焰和/或烟雾的视频图像；/n基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；/n基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；/n基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。/n

【技术特征摘要】
1.一种烟火检测方法，其特征在于：包括以下步骤：
获取包含有火焰和/或烟雾的视频图像；
基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；
基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；
基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。


2.根据权利要求1所述的烟火检测方法，其特征在于：基于所述火焰区域进行火焰检测包括以下步骤：
提取所述火焰区域上的火焰关键点信息；
基于所述视频图像中前后帧的火焰关键点信息，将所述前后帧的火焰关键点信息进行集合运算，并将前帧关键点补集和后帧关键点补集作为火焰关键点变化信息；
对所述火焰关键点变化信息中的的每个火焰关键点进行过滤，将符合红绿分量和绿色分量特征的火焰关键点作为有效变化火焰关键点；
将前后帧火焰关键点并集和所有的有效变化火焰关键点进行连接，得到的封闭区间即为所述火焰区域。


3.根据权利要求2所述的烟火检测方法，其特征在于：基于计算机视觉应用OpenCV的特征检测器和特征分析器来提取所述火焰关键点信息。


4.根据权利要求1所述的烟火检测方法，其特征在于：基于所述烟雾区域进行烟雾检测包括以下步骤：
基于光流跟踪算法对所述烟雾区域进行烟雾识别；
对烟雾识别结果进行过滤和验证，以获取检测到的烟雾。


5.根据权利要求2或4所述的烟火检测方法...

【专利技术属性】
技术研发人员：郭志辉，钟卫宁，李倩，
申请(专利权)人：上海鸢安智能科技有限公司，
类型：发明
国别省市：上海;31