【技术实现步骤摘要】
本专利技术属于火灾烟雾检测，具体涉及一种基于yolov7模型和稀疏光流法的烟雾检测方法。
技术介绍
1、火灾是变电站中非常危险的灾害之一，如果不及时发现会导致设备出现不可逆损坏，严重的会导致大面积停电甚至人员伤亡。因此，对高压变电站的火灾实时检测非常必要。
2、传统的检测装置都是依赖烟雾报警装置，这在中国专利公告号为“cn219892640u”及“cn115779306b”等专利文本中均有所记载。该类报警方式，是通过检测火灾引起的烟雾达到预警的目的，预警的延迟现象突出。尤其是，对于目前已投入使用的±800kv特高压换流变油箱，长度超过10m，储存变压器油达130t甚至更多，其规模和储油量远远超过了现有消防标准针对的常规油浸变压器；在该类特殊场景下，使用如烟雾传感器等传统传感设备对火灾进行检测，受环境光照、温度湿度等各种因素的干扰十分突出，很容易出现漏报、错报、延迟报等情况，且接收到所需参量变化需要时间，在这个时间内火情迅速蔓延，会导致扑救十分困难。
3、在后来的解决方案中，人们逐渐引入视觉火焰识别来检测是否有火灾的发生，这在中国专利公告号为“cn110083113b”的名称为“基于计算机视觉和启发式搜索算法的火灾疏散系统及方法”中就所记载。这类操作方式仍然容易受到火灾产生的浓烟的遮挡，乃至环境光照等各种因素的干扰，给火焰检测的实时性带来不少的障碍和困难。尤其是在上述的±800kv特高压换流变油箱的规格和储油量的情况下，一旦发生火灾，火情传播速度极快，会产生大量的浓烟；同时，浓烟又会第一时间遮挡住火焰，从而
4、对此，基于yolov7模型的烟雾检测的图像识别技术得以实现，深度神经网络经过良好的训练能够分辨出不同类别的图像，并展现出良好的性能，使用逐渐普遍。但是在实际使用过程中，大片的浓烟产生的遮挡问题仍然无法解决，浓烟会迅速遍布整个变电站，导致难以通过视觉技术来获得确切的火焰位置，最终对后续的消防机器人的投放以及灭火流程的具体实施产生了阻碍。
5、因此，如何能杜绝因浓烟影响火焰位置准确捕捉的问题，在进一步强化烟雾检测准确性的同时，明确火灾发生的详细地点，为灭火工作做好铺垫，是本领域近年来所亟待解决的技术问题。
技术实现思路
1、本专利技术的目的是克服上述现有技术的不足，提供一种基于yolov7模型和稀疏光流法的烟雾检测方法，其具备检测速度更快和精度更高的优点，能有效的定位到火源的准确位置，最终为后续灭火工作的有效展开提供基础保证。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、一种基于yolov7模型和稀疏光流法的烟雾检测方法，其特征在于包括以下步骤：
4、s1.制作数据集；
5、s2.模型训练：
6、将步骤s1中得到的数据集放入yolov7模型中进行训练和参数调整，获得优化模型；
7、s3.确定特征点：
8、由优化模型寻找指定拍摄画面中的连续帧图片中的特征点；
9、s4.利用稀疏光流法计算光流矢量：
10、利用稀疏光流法，对步骤s3中获取的特征点进行光流矢量的计算；
11、s5.确定范围框：
12、根据特征点的光流矢量的指向，将光流矢量汇聚得到一个交点，以其为中心分割出指定大小的图像块，该图像块形成范围框；
13、s6.确定火源识别框：
14、当获得范围框后，对范围框内的图像接着用hsv颜色特征分析进行二次筛选，得到火源识别框。
15、优选的，所述步骤s3中，优化模型寻找特征点的子步骤包括：
16、设图像p(x，y)中的点(x，y)的移动幅度为(dx，dy)，则相似性公式如下：
17、
18、其中：
19、w(x,y)为窗口函数，p(u,v)为以点(x,y)为中心的窗口，p(u+δx,v+δy)为将窗口p(u,v)移动(δx,δy)幅度后的窗口；c(x,y,δx,δy)为相似函数；
20、对p(u+δx,v+δy)进行一阶泰勒公式展开，如下：
21、
22、其中：
23、[δx δy]和为移动(δx,δy)的矩阵左右乘形式；
24、矩阵m的表达式如下：
25、
26、求解矩阵m的特征值λ1、λ2和矩阵的秩r，并通过下式计算特征点的响应值r：
27、r＝λ1λ2-r(λ1+λ2)
28、其中：
29、当r<0时，此时点(x,y)为所要寻找的特征点；否则，重新寻找特征点。
30、优选的，所述步骤s4中，光流矢量的计算步骤如下：
31、假设两帧图像中其中一个相同的特征点分别为a点和b点，其中，所述相同的特征点所对应的像素点的坐标分别为(x,y)和(x+dx,y+dy)，两帧变化时间为dt；则a点的亮度为e(x,y,t)，b点的亮度为e(x+dx,y+dy,t+dt)，t为a点的时刻；
32、用泰勒公式展开，得到基本光流约束方程：
33、
34、令
35、其中：j和k是像素点在水平和竖直方向上的光流矢量分量，则上式可改写成：
36、-et＝exj+eyk
37、
38、据空间的一致性，一个像素点的周围有8个相同运动的像素点，组成9个含两个为质量的方程组；因此，据最小二乘法，得到：
39、
40、其中：
41、是图像中所有的全部特征点的光流矢量，ai表示图像中的任一特征点。
42、优选的，在步骤s5中确定光流矢量的指向时，还包括像素点判断子步骤，包括：
43、通过下式计算得出像素点运动角度θ：
44、
45、当像素点运动角度满足设定阈值时，该像素点可用于确定交点，；否则，排除该像素点。
46、优选的，像素点运动角度满足设定阈值的范围为：
47、优选的，步骤s1中，制作数据集包括：
48、首先，在高压变电站所在地录制不同场景的烟雾视频，录制完成后，对录制完成的视频进行视频帧抽取，形成数据集图片；其次，对数据集图片进行图片预处理，包括图像增强操作、滤波操作、去噪操作和图片筛选操作；最后，对数据集的烟雾区域标定对应的烟雾坐标信息，形成yolov7模型的训练数据和测试数据。
49、优选的，步骤s2中，将yolov7模型当中的iou改为siou，siou包括角度损失、距离损失、形状损失和iou损失。
50、本专利技术的有益效果在于：
51、通过上述方案，本专利技术通过制作烟雾的数据集来训练和优化yolov7模型，从而得到优化模型后，达到检测出烟雾的效果；然后，再用稀疏光流法确定特征点并计算特征点的光流矢量，随后将光流矢量汇聚于一点，做出本文档来自技高网...
【技术保护点】
1.一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于：
3.根据权利要求1所述的一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于：
4.根据权利要求3所述的一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于：
5.根据权利要求4所述的一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于：
6.根据权利要求1或2或3或4或5所述的一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于：
7.根据权利要求1或2或3或4或5所述的一种基于YOLOV7模型和稀疏光流法的烟雾检测方法，其特征在于：步骤S2中，将YOLOv7模型当中的IOU改为SIoU，SIoU包括角度损失、距离损失、形状损失和IoU损失。
【技术特征摘要】
1.一种基于yolov7模型和稀疏光流法的烟雾检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于yolov7模型和稀疏光流法的烟雾检测方法，其特征在于：
3.根据权利要求1所述的一种基于yolov7模型和稀疏光流法的烟雾检测方法，其特征在于：
4.根据权利要求3所述的一种基于yolov7模型和稀疏光流法的烟雾检测方法，其特征在于：
5.根据权利要求4...
【专利技术属性】
技术研发人员：刘睿，张佳庆，黄勇，杨鹏程，朱太云，殷振，何旸，孙磊，周璠，龚志文，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
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。