System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种火灾的检测方法,具体涉及一种基于深度学习方法和传统方法结合的火灾检测方法,本专利技术属于火灾检测。
技术介绍
1、传统的火灾探测方法主要包括基于烟雾探测、温度探测、火焰探测和视觉图像处理的技术。其中,前三种依靠传统火灾报警器已被广泛使用,以防止重大损失。这些解决方案通常涉及基于传感器的颗粒采样、温度采样和烟雾分析,但其检测方法的性能与传感器的性能成正比,而传感器通常需要放置在火源附近才能获得最佳效果检测,这在开放区域可能具有挑战性。此外,并非所有火灾都发生在有人在附近的情况下,因此建议进行手动监控以确认火灾并评估其严重程度。同时,由于捕获判别性特征信息的效率低下,从大量数据中手动提取特征变得不可行。
2、在现有研究中,基于视觉图像处理的火灾检测可分为两大类:传统方法和基于深度学习的方法。传统的视觉图像处理方法依靠固有的火灾特征来将其与现实生活中其他常见物体区分开来,例如基于颜色特征、纹理特征、形状特征等的方法。颜色特征包括ycbcr、rgb、yuv和色调,饱和度,亮度(hue,saturation,value,简称hsv)。纹理特征由最常用的纹理描述符来描述,即局部二值模式、灰度共生矩阵、gabor变换和离散小波变换。虽然这些方法被认为是在某些情况下检测火焰的有用工具,但在面对复杂的火灾场景和多样化的火源特征时,它们仍然存在一定的局限性。例如,这些方法对环境条件敏感,并且如果图像包含大量噪声或照明变化,则容易受到干扰。
3、深度学习方法能够从数据中学习更复杂和非线性的特征,现已在各个领域
4、然而,它们仍然受到复杂环境条件的限制。例如,在雨雪、浓烟、强光等天气条件下,图像或视频的质量可能会受到影响。此外,受观察距离、角度等多种因素的影响,待检测的视频或图像中的火焰尺寸可能很小。在这种情况下,深度学习模型可能很难识别这些小火焰,并且它们的特征可能会被背景特征掩盖。此外,一些自然物体可能具有类似于火焰的特征,或者环境变化(例如火焰外观的显着变化以及云、太阳和光反射的存在)可能会使火灾检测复杂化。因此,这些因素对火灾探测提出了巨大的挑战。
技术实现思路
1、本专利技术的目的是提出一种高性能森林火灾检测模型--fsdf,该模型结合了传统方法突出固有火焰特征的优点,以及深度学习自动理解复杂模式和关系的适应性,为解决现有的火灾检测方法受到复杂环境条件的限制,影响火灾检测效率的问题,进而提出一种基于深度学习方法和传统方法结合的火灾检测方法。
2、本专利技术为解决上述问题采取的技术方案是:
3、本专利技术包括如下步骤:
4、步骤一:fsdf使用hsv颜色空间突出输入图像中的颜色特征,生成的掩模与输入图像重叠以产生新的组合图像,从而提高火焰特征的可检测性并增强其对比度;
5、步骤二:将步骤一产生的新的组合图像输入yolov8中以检测可疑火灾区域,从而能够更精确地识别火源区域;
6、步骤三:对检测到的火源部分进行裁剪,并使用完整二进制模式(complete localbinary pattern,简称clbp)描述检测到的纹理特征,以进一步区分火焰色物体的干扰;
7、步骤四:将原图像和使用完整二进制描述纹理特征叠加形成的组合特征输入到无监督学习模型vq-vae中,利用无监督学习异常检测方法进一步对这些样本进行检测,以确定是否发生了火灾。
8、本专利技术的有益效果是:
9、1、本专利技术结合了传统方法突出固有火焰特征的优点,以及深度学习自动理解复杂模式和关系的适应性,可以实现高性能火灾检测。
10、2、模型使用hsv颜色空间突出输入图像中的颜色特征,从而提高火焰特征的可检测性并增强其对比度。
11、3、yolov8被用来进一步检查增强的特征与传统的手动特征提取方法相比,这种方法可以更好地应对图像噪声和光照变化,从而减少漏检的可能性。
12、4、使用clbp提取火焰的纹理特征,颜色突出部分和纹理特征组合形成更丰富的特征表示。与单个传统计算机视觉特征相比,这种特征组合能够更好地描述火源的复杂性和多样性。
13、5、将有监督学习转化为无监督学习任务,引入vq-vae学习火焰的特征分布,vq-vae训练不需要标记数据,只专注于学习火灾的潜在特征分布,而会排除非火灾的干扰,从而进一步提高检测的准确性和可靠性。
14、6、通过从网络上自收集的图像对框架进行测试,与先进的yolov8检测方法相比,本专利技术将准确率、召回率和f-score分别提高了19.5%、1.2%和11.7%。
本文档来自技高网...【技术保护点】
1.一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:所述一种基于深度学习方法和传统方法结合的火灾检测方法的步骤包括:
2.根据权利要求1所述的一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:步骤一中HSV色彩空间定义了一个特定的范围,通过色调、饱和度、亮度通道得到火焰的子空间,使用HSV颜色空间突出输入图像中的红色特征,使下述公式满足:
3.根据权利要求1所述的一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:步骤二中带有掩膜的图像作为YOLOv8的输入进行进一步分析,其中YOLOv8被用来进一步检查带有掩膜图像中的火焰特征,为YOLOv8设置较低的置信度阈值τ来分割潜在火灾区域,得到分割后的图像x。
4.根据权利要求1所述的一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:
5.根据权利要求1所述的一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:步骤四中选择VQ-VAE作为无监督检测模型将火焰看作异常事件进行检测,VQ-VAE学习火焰的特征分布,通过学习有效的潜在空
...【技术特征摘要】
1.一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:所述一种基于深度学习方法和传统方法结合的火灾检测方法的步骤包括:
2.根据权利要求1所述的一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:步骤一中hsv色彩空间定义了一个特定的范围,通过色调、饱和度、亮度通道得到火焰的子空间,使用hsv颜色空间突出输入图像中的红色特征,使下述公式满足:
3.根据权利要求1所述的一种基于深度学习方法和传统方法结合的火灾检测方法,其特征在于:步骤二中带有掩膜的图像作为yolov8的输入进行进一步分析,其中yolov8被用来进一步检查带有掩膜图像中的火焰特征,为yolov8设置较低的置信度...
【专利技术属性】
技术研发人员:赵红阳,郭亚楠,刘一,李兴东,金晶,
申请(专利权)人:东北林业大学,
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。