一种电动汽车火灾痕迹智能识别方法技术

本发明专利技术公开了一种电动汽车火灾痕迹智能识别方法，该方法分别对电动汽车外观

【技术实现步骤摘要】
一种电动汽车火灾痕迹智能识别方法


[0001]本专利技术涉及电动汽车火灾勘测技术，具体涉及一种电动汽车火灾痕迹智能识别方法
。

技术介绍

[0002]当前，电动汽车火灾不断被推到舆论前沿，消防部队
、
车企保险公司等对于电动汽车的火灾调查领域都是处于探索阶段，关于电动汽车火灾痕迹识别基本处于空白阶段，现有的识别技术只有单纯的基于实践经验，因此需要大量的火调人员勘查现场来进行分析调查，这将耗费极大的人力物力
。
再者由于传统人工的痕迹识别效率低导致很多案例不能充分吸取其他案例的经验和学习，因此利用计算机和深度学习技术可以有效的提高工作效率
。
[0003]经查阅国内外文献资料，在电动汽车火灾痕迹智能识别方面，国内外还没有成熟可靠的技术方法，因此还无法直接利用现有的技术来进行辅助处理相应的案例
。
因此，急需对电动汽车火灾痕迹进行归纳总结，提出判定方法
。
随着人工智能技术的发展，基于卷积神经网络的图像识别技术可以应用于电动汽车火后的图像痕迹识别，判断电动汽车的起火部位，辅助火调人员查询起火点
。

技术实现思路

[0004]鉴于现有技术状况，本专利技术提出一种电动汽车火灾痕迹智能识别方法
。
该方法采用卷积神经网络的人工智能技术，该技术也非常成熟并应用于各行各业
。
由于消防领域的特殊性，目前阶段人工智能在消防领域的应用还很少，特别是对于过火痕迹的识别和分析
。
而且人工智能的很大一部分应用都以图像的处理为基础，电动汽车火灾勘验现场会有大量的痕迹图像，这与深度学习利用图像等数据来训练学习有很高的契合度
。
[0005]本专利技术采取的技术方案是：一种电动汽车火灾痕迹智能识别方法，所述方法分别对电动汽车外观
、
电动汽车电池包及电动汽车内部三个部分进行火灾痕迹智能识别，并进行综合分析判断，得出最终火源位置，具体步骤分别如下：
[0006]一
、
电动汽车外观部分
[0007]A1、
图痕数据集的建立
[0008]将采集电动汽车外观图像过火的严重程度分为多个类别，对所述类别进行像素级标注，并将标注完毕的图像及对应的标签作为原始图痕数据集，对相机采集的原始过火电动汽车图痕数据集进行增强，作为构建网络模型时所输入的图痕数据集
。
[0009]A2、
网络模型的构建
[0010]所述网络模型为带有空洞卷积的
ResNet
‑
50
与
UperNet
相结合的语义分割卷积神经网络；将所述图痕数据集输入所述网络模型，迭代进行参数更新，完成所述网络模型的构建；对图像进行痕迹分析时，所述网络模型的输入为单张待分析的电动汽车外观图像数据，输出为所述电动汽车外观图像数据对应火痕位置严重程度的标签图
。
[0011]A3、
标签图像后处理
[0012]将所述网络模型输出的火痕位置严重程度的标签图像区域分解为相应类别下的二值图像，然后在相应类别下，将二值图像中距离接近但并未完全相连的多个标签图像区域填充为一个整体标签图像区域，用整体标签图像区域的像素数量及量化的严重程度产生权重值
。
[0013]A4、
权重值计算
[0014]将从电动汽车外观部分采集的前
、
后
、
左
、
右四个方向采集的图像数据，分别输入构建好的网络模型，并根据标签图像后处理产生的权重值生成一个表示电动汽车整体火痕严重程度的三行三列权重矩阵，接下来按照权重矩阵中的权重值大小确定火源及疑似火源位置
。
[0015]二
、
电动汽车电池包部分
[0016]B1、
确定电池包在电动汽车底盘的相对位置，判断所述电池包的燃烧状况是否匹配整车的燃烧状况；若所述电池包在电动汽车中心，则电池包的火势分布等同为整车的火势分布，否则所述电池包仅表示自身所在整车局部位置的火势分布
。
[0017]B2、
从采集的电动汽车底盘图像中获取所述电池包在电动汽车底盘的相对位置，若电动汽车底盘图像中标记的所述电池包轮廓的几何中心纵方向坐标偏移量小于阈值，则认为所述电池包位于电动汽车底盘中央，否则根据阈值的正负来确定相对位置，阈值若为正，则所述电池包位置靠电动汽车底盘前方，若为负，则所述电池包位于电动汽车底盘后方
。
[0018]B3、
选取所述电池包的四个角以获取一个表示电池包轮廓的四边形，并对所述四边形进行透视变换，得到矩形轮廓的电池包表面图像
。
[0019]B4、
按照所述电池包表面图像的特征将电池包外壳分为金属和塑料材质，按照不同材质燃烧后的明度
、
饱和度分别设置阈值，再利用阈值对电池包表面图像二值化处理后生成相应的明度掩膜
、
饱和度掩膜；采用
Static Saliency Fine Grained
算法将输出的显著性图像进行二值化处理，形成显著性掩膜
。
[0020]B5、
对所述明度掩膜
、
饱和度掩膜
、
显著性掩膜进行形态学膨胀操作，并将三个掩膜在形态学操作后的结果进行叠加，提取出三个掩膜的交集区域
、
两个掩膜的交集区域以及仅一个掩膜表征的区域
。
[0021]B6、
将所述电池包图像分为三行三列面积相等的区域，利用各区域掩膜的交叠个数及交叠部分的像素个数生成权重值，对应到一个三行三列的权重矩阵中，按照权重值大小确定火源位置
。
[0022]三
、
电动汽车内部部分
[0023]C1、
电动汽车内部的输入图像为机舱
、
前排
、
后排，将所述输入图像标记为严重
、
中等
、
轻微
、
完好四个级别，使用基于深度学习的分类网络
InceptionV3
进行网络模型的构建
。
[0024]C2、
采用构建完成的所述网络模型判断输入图像的火痕严重程度，按所述火痕严重程度生成相应火痕位置的权重值，对应到一个每行权重值相等的三行三列权重矩阵中
。
[0025]四
、
综合分析判断
[0026]D1、
根据电动汽车电池包部分中标记的电池包在电动汽车底盘的相对位置，变换电动汽车电池包部分权重矩阵中各权重的值，形成电动汽车电池包部分变换后的权重矩
阵
。
[0027]D2、
将电池包部分变换后的权重矩阵与电动汽车外观部分的权重矩阵以及汽车内部的权重矩阵相加，得出初步火源位置分析结论
。
[0028本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电动汽车火灾痕迹智能识别方法，其特征在于，所述方法分别对电动汽车外观
、
电动汽车电池包及电动汽车内部三个部分进行火灾痕迹智能识别，并进行综合分析判断，得出最终火源位置，具体步骤分别如下：一
、
电动汽车外观部分
A1、
图痕数据集的建立将采集电动汽车外观图像过火的严重程度分为多个类别，对所述类别进行像素级标注，并将标注完毕的图像及对应的标签作为原始图痕数据集，对相机采集的原始过火电动汽车图痕数据集进行增强，作为构建网络模型时所输入的图痕数据集；
A2、
网络模型的构建所述网络模型为带有空洞卷积的
ResNet
‑
50
与
UperNet
相结合的语义分割卷积神经网络；将所述图痕数据集输入所述网络模型，迭代进行参数更新，完成所述网络模型的构建；对图像进行痕迹分析时，所述网络模型的输入为单张待分析的电动汽车外观图像数据，输出为所述电动汽车外观图像数据对应火痕位置严重程度的标签图像；
A3、
标签图像后处理将所述网络模型输出的火痕位置严重程度的标签图像区域分解为相应类别下的二值图像，然后在相应类别下，将二值图像中距离接近但并未完全相连的多个标签图像区域填充为一个整体标签图像区域，用整体标签图像区域的像素数量及量化的严重程度产生权重值；
A4、
权重值计算将从电动汽车外观部分采集的前
、
后
、
左
、
右四个方向采集的图像数据，分别输入构建好的网络模型，并根据标签图像后处理产生的权重值生成一个表示电动汽车整体火痕严重程度的三行三列权重矩阵，接下来按照权重矩阵中的权重值大小确定火源及疑似火源位置；二
、
电动汽车电池包部分
B1、
确定电池包在电动汽车底盘的相对位置，判断所述电池包的燃烧状况是否匹配整车的燃烧状况；若所述电池包在电动汽车中心，则电池包的火势分布等同为整车的火势分布，否则所述电池包仅表示自身所在整车局部位置的火势分布；
B2、
从采集的电动汽车底盘图像中获取所述电池包在电动汽车底盘的相对位置，若电动汽车底盘图像中标记的所述电池包轮廓的几何中心纵方向坐标偏移量小于阈值，则认为所述电池包位于电动汽车底盘中央，否则根据阈值的正负来确定相对位置，阈值若为正，则所述电池包位置靠电动汽车底盘前方，若为负，则所述电池包位于电动汽车底盘后方；
B3、
选取所述电池包的四个角以获取一个表示电池包轮廓的四边形，并对所述四边形进行透视变换，得到矩形轮廓的电池包表面图像；
B4、
按照所述电池包表面图像的特征将电池包外壳分为金属和塑料材质，按照不同材质燃烧后的明度
、
饱和度分别设置阈值，再利用阈值对电池包表面图像二值化处理后生成相应的明度掩膜
、
饱和度掩膜；采用
Static Saliency Fine Grained
算法将输出的显著性图像进行二值化处理，形成显著性掩膜；
B5、
对所述明度掩膜
、
饱和度掩膜
、
显著性掩膜进行形态学膨胀操作，并将三个掩膜在形态学操作后的结果进行叠加，提取出三个掩膜的交集区域
、
两个掩膜的交集区域以及仅
一个掩膜表征的区域；
B6、
将所述电池包图像分为三行三列面积相等的区域，利用各区域掩膜的交叠个数及交叠部分的像素个数生成权重值，对应到一个三行三列的权重矩阵中，按照权重值大小确定火源位置；三
、
电动汽车内部部分
C1、
电动汽车内部的输入图像为机舱
、
前排
、
后排，将所述输入图像标记为严重
、
中等
、
轻微
、
完好四个级别，使用基于深度学习的分类网络
InceptionV3
进行网络模型的构建；
C2、
采用构建完成的所述网络模型判断输入图像的火痕严重程度，按所述火痕严重程度生成相应火痕位置的权重值，对应到一个每行权重值相等的三行三列权重矩阵中；四
、
综合分析判断
D1、
根据电动汽车电池包部分中标记的电池包在电动汽车底盘的相对位置，变换电动汽车电池包部分权重矩阵中各权重的值，形成电动汽车电池包部分变换后的权重矩阵；
D2、
将电池包部分变换后的权重矩阵与电动汽车外观部分的权重矩阵以及汽车内部的权重矩阵相加，得出初步火源位置分析结论；
D3、
对所述得出的初步火源位置分析结论与汽车内部的权重矩阵进行综合分析判断，得出最终火源位置
。2.
根据权利要求1所述的一种电动汽车火灾痕迹智能识别方法，其特征在于，在步骤
A1
中，所述将采集电动汽车外观图像过火的严重程度分为完好
、
轻微过火
、
中度过火及严重过火四个类别，用不同的颜色表示其标签类别，进行像素级标注
。3.
根据权利要求1所述的一种电动汽车火灾痕迹智能识别方法，其特征在于，在步骤
A1
中，所述对相机采集的原始过火电动汽车图像数据集进行增强处理方法为水平翻转
、
小角度的随机旋转
、
随机调整明度
、
随机调整对比度及所述增强处理方法互相结合的各种处理组合
。4.
根据权利要求1所述的一种电动汽车火灾痕迹智能识别方法，其特征在于，在步骤
A3
中，所述用整体标签图像区域的像素数量及量化的严重程度值产生权重值的计算方法如下：将所述网络模型输出的火痕位置严重程度的标签图像区域分为左
、
中
、
右三等份，依次用
a、b、c
表示，假设代表严重程度为完好类别的编号以及相应的权重值均为0，那么严重程度为轻微过火
、
中度过火
、
严重过火类别的编号和相应的权重值分别为
1、2、3
；然后，统计所述左
、
中
、
右三等份中每等份标签图像中被表示为
0、1、2、3
不同编号区域的像素个数，分别表示为
N0、N1、N2、N3，则网络模型输出的标签图像中每等份的权重值按照如下公式进行计算：式中，
i
的取值为
0、1、2、3
，
N
i
表示其中一等份中的不同编号区域的像素个数
。5.
根据权利要求1所述的一种电动汽车火灾痕迹智能识别方法，其特征在于，在步骤
A4
中，所述表示电动汽车整体火痕严重程度的三行三列权重矩阵生成过程如下：将电动汽车外观前
、
后
、
左
、
右四个方向的标签图像分别标记为
F、B、L、R
，将输出四个方向的标签图像分为
a、b、c
三等份；所述四个方向的标签图像
F、B、L、R
和标签图像中的
a、b、c
三等份两两相结合，用于依次表示电动汽车外观的左前
、
前方中部
、
右前
、
左侧中部
、
正中
、
右侧中...

【专利技术属性】
技术研发人员：张良，张得胜，赵祥，陈克，郭宇航，王轩磊，徐龙飞，范子琳，
申请(专利权)人：应急管理部天津消防研究所，
类型：发明
国别省市：