【技术实现步骤摘要】
本专利技术涉及火焰检测，特别涉及一种基于机器视觉的火焰检测方法。
技术介绍
1、在现阶段火焰检测的方法一般有：1.颜色检测法，即通过匹配图像中于火焰颜色最接近的像素来检测火焰，如果红色、橙色和黄色。这种方法简单但是很容易误判，把其他与火焰颜色接近的物体识别为火焰。2.轮廓检测法，通过对图像的预处理，然后提取轮廓的特征如果边缘、角点和形状等特征来识别火焰。这类方法通常会受到图像的采集视角和距离的影响降低检测结果的精度。3.深度学习方法，通过训练基于卷积神经网络的分类模型或目标检测模型来识别火焰，一般来说在有大量的训练数据支持下，这类方法一般效果不错，但是数据的收集和标记成本较高，而且神经网络模型参数通常较大，这导致模型的计算复杂度也比较高，非常不利于在一些低功耗的边缘计算设备上进行部署。以上就是目前主流的火焰检测方法，总的来说现有的检测方法各有不足，需要在保证精度的同时减少模型复杂度，更好的嵌入边缘设备，对家庭火灾和森林火灾的预防具有重要的意义。
2、总的来说，火焰检测存在问题和难点为：一是在复杂场景下，火焰容易被遮挡和混淆。二是视角敏感，在侧面和远处观察火焰时检测效果下降。三是数据不足，开源的火焰数据集较少且数据规模小，不能满足深度学习模型的训练。
技术实现思路
1、本专利技术提供了一种基于机器视觉的火焰检测方法，通过数据增强和缩放，降低模型的视角敏感，模型参数少，不需要大量数据来驱动，适合在嵌入式设备上运行。
2、本专利技术提供了一种基于机器视觉的火焰检测
3、获取包含火焰的原始图像，并对所述原始图像进行预处理，得到预处理图像；
4、对所述预处理图像进行基于轮廓检测操作，并根据检测的轮廓对所述原始图像进行裁剪，以提取所述预处理图像中的候选区域；
5、对所述预处理图像中的候选区域进行数据增强；其中，所述数据增强包括对所述候选区域进行随机翻转和缩放；
6、对进行数据增强后的所述候选区域通过mobilenet进行特征提取；
7、将提取的特征构建训练数据集用于训练逻辑回归模型，以得到火焰检测模型；
8、获取包含火焰的实时图像，并将所述实时图像输入至所述火焰检测模型，以得到每个候选区域出现火焰的概率，最后经过阈值过滤，标记出现火焰的区域。
9、进一步地，所述获取包含火焰的原始图像，并对所述原始图像进行预处理，得到预处理图像的步骤，包括：
10、获取包含火焰的原始图像，并将所述原始图像从rgb图像转换到灰度图像，其公式为：
11、gray＝(r*299+g*587+b*114)/1000
12、其中，r、g、b分别为原始图像各通道的像素值，gray为转换后的灰度图；
13、根据所述灰度图像的像素强度对所述图像进行二值化，以将像素映射为0或255，其公式为：
14、
15、其中，p为像素灰度值。
16、进一步地，所述对所述预处理图像进行基于轮廓检测操作，并根据检测的轮廓对所述原始图像进行裁剪，以提取所述预处理图像中的候选区域的步骤，包括：
17、对所述预处理图像进行图像边缘检测；
18、根据所述图像边缘检测结果进行图像边缘融合；
19、根据所述图像边缘融合结果计算轮廓的外接矩形，得到所述外接矩形的坐标信息；
20、根据所述外接矩形的坐标信息对所述原始图像进行裁剪，以提取所述预处理图像中的候选区域。
21、进一步地，所述对所述预处理图像进行图像边缘检测的步骤，包括：
22、采用一个环形的二维高斯函数平滑图像，计算所述预处理图像的梯度信息，然后根据梯度幅度和方向估计每一点处的边缘强度和方向；其中，高斯平滑函数为：
23、
24、高斯平滑后的图像为：
25、
26、其中，f(x,y)为平滑前的像素值，fs(x,y)为平滑后的像素值；
27、图像的梯度值、梯度幅值和边缘方向：
28、
29、
30、
31、其中，gx,gy分别为图像下水平和垂直方向上的两个梯度，m(x,y)为梯度的幅值，α(x,y)为梯度的方向；
32、通过非极大值抑制对边缘进行细化，在图像的边缘角度矩阵α(x,y)上进行3×3的局部非极大值抑制；令d1,d2,d3,d4表示3×3区域内的四个方向：0度、-45度、90度和45度，对于边缘角度矩阵每个坐标(x,y)为中心的3×3区域进行非极大值抑制。
33、进一步地，所述通过非极大值抑制对边缘进行细化，在图像的边缘角度矩阵α(x,y)上进行3×3的局部非极大值抑制的步骤，包括：
34、找到最接近α(x,y)的基本方向dk；
35、若m(x,y)的值至少小于沿着dk方向的两个相邻幅值之一，则对该处梯度幅值进行抑制，gn(x,y)＝0，反之保持幅值不变；其中，gn(x,y)是对幅值非极大值抑制的得到的幅值矩阵；
36、对gn(x,y)进行阈值处理，减少伪边缘点，最后gn(x,y)中所有保留的幅值点被假设为有效的边缘像素点。
37、进一步地，所述根据所述图像边缘检测结果进行图像边缘融合的步骤，包括：
38、计算输入图像f(x,y)的梯度幅值矩阵m(x,y)和梯度角度矩阵α(x,y)；
39、形成一副二值图像g(x,y)，任何坐标对(x,y)处的值由下式给出：
40、
41、其中，tm为幅值阈值，a为制定的角度方向，±ta为角度可接受范围；
42、遍历g(x,y)的行，并在不超过指定长度的每一行填充所有缝隙；
43、在任何方向上检测缝隙，以该角度旋转g(x,y)，重复填充步骤，然后在反方向-旋转g(x,y)；
44、重复以上步骤得到边缘连接矩阵。
45、进一步地，所述根据所述图像边缘融合结果计算轮廓的外接矩形，得到所述外接矩形的坐标信息的步骤，包括：
46、根据计算得到的轮廓信息，遍历每个轮廓的每一个左边，找的每个轮廓中左上角和右下角坐标，得到轮廓外接矩形的两个顶点坐标。
47、进一步地，所述对进行数据增强后的所述候选区域通过mobilenet进行特征提取的步骤，包括：
48、采用已经训练好的mobilenet进行特征提取，将整个mobilenet作为一个特征提取器：fmobilenet(x)，将数据增强后的候选区域输入mobilenet，输出作为候选区域的特征，其公式为：
49、xfeature＝fmobilenet(xpatch)
50、xfeature＝[x0,x1,x2,...x999]
51、其中，x0,x1,x2,...x999为特征向量，xpatch为候选区域。
52、进一步地，所述将提取的特征本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的火焰检测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的火焰检测方法，其特征在于，所述获取包含火焰的原始图像，并对所述原始图像进行预处理，得到预处理图像的步骤，包括：
3.根据权利要求1所述的基于机器视觉的火焰检测方法，其特征在于，所述对所述预处理图像进行基于轮廓检测操作，并根据检测的轮廓对所述原始图像进行裁剪，以提取所述预处理图像中的候选区域的步骤，包括：
4.根据权利要求3所述的基于机器视觉的火焰检测方法，其特征在于，所述对所述预处理图像进行图像边缘检测的步骤，包括：
5.根据权利要求4所述的基于机器视觉的火焰检测方法，其特征在于，所述通过非极大值抑制对边缘进行细化，在图像的边缘角度矩阵α(x,y)上进行3×3的局部非极大值抑制的步骤，包括：
6.根据权利要求5所述的基于机器视觉的火焰检测方法，其特征在于，所述根据所述图像边缘检测结果进行图像边缘融合的步骤，包括：
7.根据权利要求6所述的基于机器视觉的火焰检测方法，其特征在于，所述根据所述图像边缘融合结果计算轮廓的外
8.根据权利要求1所述的基于机器视觉的火焰检测方法，其特征在于，所述对进行数据增强后的所述候选区域通过MobileNet进行特征提取的步骤，包括：
9.根据权利要求1所述的基于机器视觉的火焰检测方法，其特征在于，所述将提取的特征构建训练数据集用于训练逻辑回归模型，以得到火焰检测模型的步骤，包括：
10.一种基于机器视觉的火焰检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于机器视觉的火焰检测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的火焰检测方法，其特征在于，所述获取包含火焰的原始图像，并对所述原始图像进行预处理，得到预处理图像的步骤，包括：
3.根据权利要求1所述的基于机器视觉的火焰检测方法，其特征在于，所述对所述预处理图像进行基于轮廓检测操作，并根据检测的轮廓对所述原始图像进行裁剪，以提取所述预处理图像中的候选区域的步骤，包括：
4.根据权利要求3所述的基于机器视觉的火焰检测方法，其特征在于，所述对所述预处理图像进行图像边缘检测的步骤，包括：
5.根据权利要求4所述的基于机器视觉的火焰检测方法，其特征在于，所述通过非极大值抑制对边缘进行细化，在图像的边缘角度矩阵α(x,y)上进行3×3的局部非极...
【专利技术属性】
技术研发人员：王敏，程涛木，王京辉，吴亮，黄强，陈宁，
申请(专利权)人：博瑞得科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。