一种基于深度学习的皮带通廊全域烟雾实时检测方法技术

本发明专利技术提供了一种基于深度学习的皮带通廊全域烟雾实时检测方法，包括如下步骤：采用人工烟雾模拟皮带通廊火灾情况，制作YOLOv5烟雾检测模型的训练集；并采集皮带通廊在有灰尘、阳光或墙壁的图像作为对抗样本数据集；利用训练集和对抗样本数据集对模型进行训练；将皮带通廊全域内的摄像机进行分组，并按组进行轮询抓图采集；将采集到的图像集合送入YOLOv5烟雾检测模型，检测是否存在烟雾标签，如果检测到烟雾标签，则增加对该摄像机检测频率，以进一步确认是否发生火灾；如果发生火灾则触发烟雾报警，并将报警信息以微信消息的方式推送至维护人员，以及时采取应对措施。本发明专利技术实现了皮带通廊内烟雾的全天实时监测，为皮带通廊区域的安全检测提供了保障。区域的安全检测提供了保障。区域的安全检测提供了保障。

【技术实现步骤摘要】
一种基于深度学习的皮带通廊全域烟雾实时检测方法


[0001]本专利技术涉及安全风险监测信息化
，尤其是一种基于深度学习的皮带通廊烟雾检测方法。

技术介绍

[0002]皮带通廊、转运站是常用的原材料转运装置，一般为密闭空间，尤其皮带通廊长度可达几公里、覆盖范围可能为整个厂区。皮带通廊、转运站存在电机设备和皮带等可能发生燃烧的设备，由于皮带通廊、转运站覆盖范围大，无法实现全区域实时检测，目前在关键位置增加了摄像机，但是摄像机数目众多，即便采用监控大屏也无法在发生火灾时及时发现着火位置，为了应对这一问题，本项目采用机器视觉实时采集实时分析摄像机数据，检测烟雾信息，实时报警，避免火势扩大，减少设备损失。

技术实现思路

[0003]本专利技术要解决的技术问题是针对现有技术的不足而提供一种基于深度学习的皮带通廊全域烟雾实时检测方法，实现皮带通廊全域的全天实时烟雾检测。
[0004]为解决上述技术问题，本专利技术的内容包括：
[0005]一种基于深度学习的皮带通廊全域烟雾实时检测方法，包括如下步骤：
[0006]S1：采用人工烟雾模拟皮带通廊火灾情况，采集大量烟雾数据集，作为YOLOv5烟雾检测模型的训练集；并采集皮带通廊在有灰尘、阳光或墙壁的图像作为对抗样本数据集；
[0007]S2：利用步骤S1得到的训练集和对抗样本数据集对YOLOv5烟雾检测模型进行训练，得到优化的烟雾检测模型；
[0008]S3：将皮带通廊全域内的摄像机进行分组，并按组进行轮询抓图采集；
>[0009]S4：将步骤S3抓图采集到的图像集合送入YOLOv5烟雾检测模型，检测是否存在烟雾标签，如果检测到烟雾标签，则增加对该摄像机检测频率，以进一步确认是否发生火灾；
[0010]S5：如果发生火灾则触发烟雾报警，并将报警信息推送至维护人员。
[0011]进一步的，所述步骤S3具体包括以下步骤：
[0012]确定每个分组内可添加摄像机的数目；
[0013]将每个分组内的摄像机划分为常规频率检测部分和高频检测部分，常规频率检测部分存放未检测到异常标签的摄像机，每一次大循环仅检测一次；高频检测部分存放检测到异常标签的所有摄像机，每一次大循环检测的次数等于当前总的分组数，当前总的分组数等于总摄像机数除以每组常规频率检测部分摄像机个数。
[0014]进一步的，所述步骤S3中，按组进行轮询抓图，组内采用多线程对该组每一个摄像机进行同时抓图，组内某摄像机抓图时间超过3s，则自动放弃本轮该摄像机的数据采集。
[0015]进一步的，同时启动该组内所有摄像机抓图线程，并在主线程启动计时操作，判断摄像机是否完成抓图操作；当某一摄像机完成抓图后，计数加1；当计时时间<3s且计数总数等于本组内摄像机个数时，完成本步操作并跳转到步骤S4；当计时时间>＝3s且计数总数小
于本组内摄像机个数时，强制结束未完成抓图采集的摄像机线程，并跳转到步骤S4。
[0016]进一步的，所述步骤4中，如果检测到烟雾标签，则查询该摄像机前两次循环是否同样检测到烟雾标签，如果连续三次循环检测到烟雾，则将该像机判定为异常摄像机，并将该摄像机添加到高频检测部分；若高频检测组内的摄像机三分钟内依旧连续三次检测到烟雾标签则发出烟雾报警信号，产生报警信号后连续50次未检测到烟雾标签后，则将该摄像机移回常规频率检测部分；若三分钟内未能连续三次检测到烟雾标签，则将该摄像机移回常规频率检测部分。
[0017]进一步的，所述步骤S5中，将报警信息和报警图片通过HTTP协议推送至企业微信群，以通知维护人员。
[0018]本专利技术的有益效果是：
[0019](一)本专利技术使用计算机视觉技术和深度学习方法实现了皮带通廊内烟雾的检测，YOLOv5烟雾检测模型识别精度高，检测速度快；本专利技术解决了人工监控效率低，火情发现不及时的问题。
[0020](二)本专利技术可同时处理大量摄像机的图像数据，同时不明显增加网络负荷，以最低的计算机资源使用量，实现高效的烟雾检测功能，成本低廉，易于推广。
[0021](三)本专利技术将机器视觉图像处理与社交软件相结合，将实时报警信息及时上报，以便维护人员及时采取措施，避免火势扩大，减少设备损失。
附图说明
[0022]图1为本专利技术基于深度学习的皮带通廊全域烟雾实时检测方法流程图。
具体实施方式
[0023]为便于理解本专利技术，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本领域技术人员应该明了，所述实施例仅仅是帮助理解本专利技术，不应视为对本专利技术的具体限制。
[0024]如图1所示，本专利技术提供了一种基于深度学习的皮带通廊全域烟雾实时检测方法，包括如下步骤：
[0025]步骤S1：为了收集大量皮带通廊内烟雾视频，采用人工烟雾模拟皮带通廊火灾情况，采集大量烟雾数据集，作为YOLOv5烟雾检测模型的训练集；并采集皮带通廊在有灰尘、阳光或墙壁等与烟雾较为类似的图像作为对抗样本数据集。
[0026]构成烟雾检测识别的YOLOv5模型是基于深度学习的，利用该模型的目标检测功能达到烟雾检测定位的目的，模型也可换为FasterR
‑
CNN、SSD等其他深度学习模型。
[0027]步骤S2：利用步骤S1得到的训练集和对抗样本数据集对YOLOv5烟雾检测模型进行训练，得到优化的烟雾检测模型。
[0028]步骤S3：由于一般皮带通廊距离长、覆盖范围广，需要使用大量的摄像机进行监控，为了既能够满足网络压力和计算机计算资源，又不会影响检出结果准确率，将皮带通廊全域内的摄像机进行分组，并按组进行轮询抓图采集；
[0029]步骤S3中，按组进行轮询抓图，组内采用多线程对该组每一个摄像机进行同时抓图，组内某摄像机抓图时间超过3s，则自动放弃本轮该摄像机的数据采集，以确保所有摄像
机的轮询时间，本专利技术能够在满足网络负荷和计算机计算机资源的前提下提高抓图效率。
[0030]具体的：在满足网络通讯压力和满足计算机资源的前提下，确定每个分组内可添加摄像机的数目；将每个分组内的摄像机划分为常规频率检测部分和高频检测部分，常规频率检测部分存放未检测到异常标签的摄像机，每一次大循环仅检测一次；高频检测部分存放检测到异常标签的所有摄像机，每一次大循环检测的次数等于当前总的分组数，当前总的分组数等于总摄像机数除以每组常规频率检测部分摄像机个数。
[0031]组内采用多线程对该组每一个摄像机进行同时抓图，组内某摄像机抓图时间超过3s，则自动放弃本轮该摄像机的数据采集，具体处理为：同时启动该组内所有摄像机抓图线程，并在主线程启动计时操作，判断摄像机是否完成抓图操作；当某一摄像机完成抓图后，计数加1；当计时时间<3s且计数总数等于本组内摄像机个数时，完成本步操作并跳转到步骤S4；当计时时间>＝3s且计数总数小于本组内摄像机个数时，强制结束未完成抓图采集的摄像机线程，并跳转到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的皮带通廊全域烟雾实时检测方法，其特征在于，所述方法包括如下步骤：S1：采用人工烟雾模拟皮带通廊火灾情况，采集大量烟雾数据集，作为YOLOv5烟雾检测模型的训练集；并采集皮带通廊在有灰尘、阳光或墙壁的图像作为对抗样本数据集；S2：利用步骤S1得到的训练集和对抗样本数据集对YOLOv5烟雾检测模型进行训练，得到优化的烟雾检测模型；S3：将皮带通廊全域内的摄像机进行分组，并按组进行轮询抓图采集；S4：将步骤S3抓图采集到的图像集合送入YOLOv5烟雾检测模型，检测是否存在烟雾标签，如果检测到烟雾标签，则增加对该摄像机检测频率，以进一步确认是否发生火灾；S5：如果发生火灾则触发烟雾报警，并将报警信息推送至维护人员。2.根据权利要求1所述的一种基于深度学习的皮带通廊全域烟雾实时检测方法，其特征在于：所述步骤S3具体包括以下步骤：确定每个分组内可添加摄像机的数目；将每个分组内的摄像机划分为常规频率检测部分和高频检测部分，常规频率检测部分存放未检测到异常标签的摄像机，每一次大循环仅检测一次；高频检测部分存放检测到异常标签的所有摄像机，每一次大循环检测的次数等于当前总的分组数，当前总的分组数等于总摄像机数除以每组常规频率检测部分摄像机个数。3.根据权利要求1所述的一种基于深度学习的皮带通廊全域烟雾实时检测方法，其特征在于：所述步骤S3中，按组进行轮询抓图，组内采...

【专利技术属性】
技术研发人员：亢克松，卢志强，王燕伟，张建舒，张翰威，张宏，李成福，
申请(专利权)人：唐山惠唐物联科技有限公司，
类型：发明
国别省市：