基于机器视觉的生产火灾预警方法技术

本发明专利技术涉及非空间域滤波的图像增强技术领域，具体涉及基于机器视觉的生产火灾预警方法，该方法基于全局优化思想，首先获取生产区域热红外灰度图像对应的各个生产参考调整图像，根据各个生产参考调整图像中的灰度分布趋势和分布状况进行分析，得到每个像素点位置在每个生产参考调整图像中趋势稳定性；并通过每个生产参考调整图像与生产区域热红外灰度图像之间的结构相似性结合趋势稳定性构建最优化函数，从而根据得到的每个像素点位置对应的最优灰度值构建生产区域热红外最优调整图像，使得根据去噪后得到的生产区域热红外去噪图像的去噪效果更好，生产火灾预警的准确度更高。高。高。

【技术实现步骤摘要】
基于机器视觉的生产火灾预警方法


[0001]本专利技术涉及非空间域滤波的图像增强
，具体涉及基于机器视觉的生产火灾预警方法。

技术介绍

[0002]随着工业化进程的加速和高技术的广泛应用，各类生产环境中的火灾危险性日益增强。在能源生产、制造业以及其他类型的生产领域，一旦发生火灾，可能对人员安全、生产设备和环境造成严重影响。因此，火灾预警在保障生产安全方面具有至关重要的作用。传统的火灾预警系统通常依赖于热探测器、烟雾探测器等设备，这些设备通常只有在火灾发生后才能触发警报。而现有技术通常借助深度学习技术对热红外图像进行分析，使得在火灾尚处于萌芽阶段时就能提供预警信息，相比于传统的火灾预警系统更加准确和及时。
[0003]但是由于工厂生产区域环境的复杂性和热红外图像容易受到噪声影响的特性，对应的所采集的热红外图像通常含有较多的噪声，因此为了提高根据热红外图像进行生产火灾预警的准确性，需要对热红外图像进行去噪处理。现有技术通常根据EMD分解结合小波去噪方法，对生产区域热红外灰度图像的每层图像进行去噪处理，从而得到去噪后的热红外图像。但是考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的生产火灾预警方法，其特征在于，所述方法包括：获取生产区域热红外灰度图像；对生产区域热红外灰度图像通过全局优化算法获取至少两个生产参考调整图像；依次将生产区域热红外灰度图像中的每个像素点位置作为目标位置；在每个生产参考调整图像中，根据每个像素点的局部邻域内的灰度分布情况，得到每个像素点对应的局部灰度复杂程度；根据目标位置的像素点的各个邻域方向上的局部灰度复杂程度分布趋势，得到目标位置在每个生产参考调整图像中每个邻域方向上的邻域方向权重；根据目标位置的各个邻域方向上的灰度分布趋势相似情况以及灰度分布情况，得到目标位置在每个生产参考调整图像中每个邻域方向上的趋势波动特征值；根据所述邻域方向权重和所述趋势波动特征值，得到目标位置在每个生产参考调整图像中的趋势稳定性；根据所述趋势稳定性，以及每个生产参考调整图像与生产区域热红外灰度图像之间的结构相似性，得到生产区域热红外最优调整图像；对所述生产区域热红外最优调整图像通过EMD分解结合小波去噪算法进行去噪，得到生产区域热红外去噪图像；根据所述生产区域热红外去噪图像进行生产火灾预警。2.根据权利要求1所述的基于机器视觉的生产火灾预警方法，其特征在于，所述局部灰度复杂程度的获取方法包括：依次将每个生产参考调整图像中目标位置的像素点，作为目标像素点；将以目标像素点为中心的预设邻域窗口内的其他像素点的作为邻域像素点；将与每个邻域像素点关于目标像素点中心对称的像素点，作为每个邻域像素点的对侧像素点；将每个邻域像素点与目标像素点之间的灰度值差值，作为每个邻域像素点的第一灰度差值；将每个邻域像素点的对侧像素点与目标像素点之间的灰度值差值，作为每个邻域像素点的第二灰度差值；获取每个邻域像素点的调整参数，所述第一灰度差值和所述第二灰度差值的乘积小于等于0时，对应的调整参数为预设第一调整系数；所述第一灰度差值和所述第二灰度差值的乘积大于0时，对应的调整参数设置为预设第二调整系数；所述预设第一调整系数大于所述预设第二调整系数；将第一灰度差值的绝对值与预设第一校正系数的和值，作为第一和值；将所述第二灰度差值的绝对值与预设第二校正系数的和值，作为第二和值；将所述第一和值和所述第二和值的比值的对数函数映射值的绝对值，作为每个邻域像素点的参考复杂程度；将所述参考复杂程度与所述调整参数的乘积，作为每个邻域像素点的参考复杂乘积；将所有邻域像素点的参考复杂乘积的累加和，作为目标像素点的局部灰度复杂程度。3.根据权利要求1所述的基于机器视觉的生产火灾预警方法，其特征在于，所述邻域方向权重的获取方法包括：在每个生产参考调整图像中：依次将目标位置的像素点的每个邻域方向作为目标邻域方向；沿着目标邻域方向，将目标位置的像素点对应的目标邻域方向上对应的所有的像素点划分为至少两个像素点组合，所述像素点组合中具有预设数量个像素点，所述预设数量大于1；以目标位置的像素点为起点，沿着目标邻域方向依次迭代加入每个像素点组合得到加入每个像素点组合后对应的像素点序列；根据所述像素点序列中各个像素点的局部灰度复
杂程度构建对应的局部灰度复杂程度曲线；统计迭代加入每个像素点组合后的像素点序列的局部灰度复杂程度曲线中各个像素点对应的切线斜率，当存在一个像素点的切线斜率小于预设斜率阈值时迭代停止，并将对应的像素点序列对应的局部灰度复杂程度曲线，作为目标位置的像素点在目标邻域方向上的邻域复杂程度曲线；将所述邻域复杂程度曲线中所有像素点对应的切线斜率的均值，作为目标位置的像素点在目标邻域方向上的参考切线均值；将目标位置的像素点对应的任意两条邻域复杂程度曲线进行组合，得到所有的邻域复杂程度曲线组合，将每个邻域复杂程度曲线组合中的两条邻域复杂程度曲线之间的DTW距离，作为每个邻域复杂程度曲线组合的邻域DTW距离；将目标位置的像素点对应的目标邻域方向外的其他邻域方向，作为参考邻域方向；将目标位置的像素点对应的任意两个参考邻域方向对应的邻域复杂程度曲线进行组合，得到所有的参考复杂程度曲线组合；将每个参考复杂程度曲线组合中的两条邻域复杂程度曲线之间的DTW距离，作为每个参考复杂程度曲线组合的参考DTW距离；根据所述邻域DTW距离、所述参考DTW距离和所述参考切线均值，构建邻域方向权重计算模型，根据所述邻域方向权重计算模型，得到目标位置在每个生产参考调整图像中每个邻域方向上的邻域方向权重。4.根据权利要求3所述的基于机器视觉的生产火灾预警方法，其特征在于，所述邻域方向权重计算模型包括：；其中，为目标位置在第个生产参考调整图像中目标邻域方向上的邻域方向权重；为第个生产参考调整图像中目标位置的像素点目标邻域方向上的参考切线均值；为第个生产参考调整图像中目标位置的像素点目标邻域方向上的参考切线均值最大值；为第个生产参考调整图像中目标位置的像素点对应的参考DTW距离的数量，为第个生产参考调整图像中目标位置的像素点对应的第个参考DTW距离；为第个生产参考调整图像中目标位置的像素点对应的邻域DTW距离的数量，为第个生产参考调整图像中目标位置的像素点对应的第个邻域DTW距离；为归一化函数，为以自然常数为底的指数函数，为绝对值符号。5.根据权利要求3所述的基于机器视觉的生产火灾预警方法，其特征在于，所述趋势波动特征值的获取方法包括：根据目标位置的像素点在每个邻域方向上的邻域复杂程度曲线对应的像素点序列中各个像素点的灰度值进行曲线拟合，得到目标位置的像素点在每个邻域方向上的灰度分布曲线；将目标位置的像素点在目标邻域方向上的灰度分布曲线作为目标灰度分布曲线，将目标位置的像素点在参考邻域方向上的灰度分布曲线作为参考灰度分布曲线；将每个参考灰度分布曲线与...

【专利技术属性】
技术研发人员：袁驰，张涛，蔡昭通，乔忠炜，姜思佳，于程，
申请(专利权)人：营口新山鹰报警设备有限公司，
类型：发明
国别省市：