【技术实现步骤摘要】
本专利技术涉及一种基于机器视觉的火焰及烟雾检测系统及方法，属于机器视觉。
技术介绍
1、目前，当涉及到火灾检测技术时，基于视觉的方法是一种备受关注的创新方向。视觉火灾检测技术利用摄像头和图像处理算法，能够实时监测场景中的火灾迹象，提供更快速、准确的火灾预警和响应。与传统的火灾检测传感器(烟雾探测器、气体探测器等)相比，基于视觉的方法具有更高的灵敏度，能够在火灾发生的早期阶段就进行检测和报警，同时也更适用于大范围区域的监测，有助于减少火灾造成的损失和危害。
2、基于视觉的火灾检测中通常使用红外热成像相机，以捕获指定场景的热量分布图，通过检测图中是否有异常的高温区域判断是否有火灾发生。然而温度和湿度等因素会对红外相机的成像图片造成较大影响，且红外辐射无法穿透玻璃，导致漏报发生，延误了火灾的处理和应急响应。此外，基于视觉的检测任务往往也伴随着个人隐私保护问题。
技术实现思路
1、本专利技术所要解决的技术问题是，克服现有技术的不足，一种基于机器视觉的火焰及烟雾检测系统及方法，识别准确，灵敏度更高，同时可以保护人员隐私。
2、为了解决上述技术问题，本专利技术的技术方案是：
3、本专利技术一方面提供一种基于机器视觉的火焰及烟雾检测系统，它包括可见光相机、红外相机、隐私保护单元、算法移动端、图像处理单元和声音报警单元；
4、所述可见光相机用于采集可见光下的火焰、烟雾及人脸图像数据；
5、所述红外相机用于采集红外热成像下的火焰、烟雾及人脸
6、所述隐私保护单元用于对可见光相机和红外相机采集的图像数据中的人脸进行模糊处理；
7、所述图像处理单元用于对可见光相机采集的图像数据处理进行强光抑制和暗光增强处理；
8、所述算法移动端设置有基于深度学习的火焰及烟雾检测模型；
9、所述声音报警单元用于在发生火灾时进行声音报警；
10、所述显示器用于显示火焰及烟雾区域的检测结果。
11、本专利技术另一方面提供一种基于机器视觉的火焰及烟雾检测系统的检测方法，它包括：
12、步骤s1、搭建基于机器视觉的火焰及烟雾检测系统，分别采集红外热成像和可见光下的火焰、烟雾及人脸图像数据；
13、步骤s2、对可见光相机采集的图像进行强光抑制和暗光增强处理并保存；
14、步骤s3、使用图像标注工具对步骤s1中红外热成像下的图像数据和步骤s2中处理后的可见光下的图像数据，进行标注，框出每个火焰、烟雾及人脸区域；
15、步骤s4、使用目标检测算法训练步骤s3标注后的图像数据，得到可见光网络检测模型和红外热成像网络检测模型；
16、步骤s5、使用可见光网络检测模型对可见光下的图像数据进行检测，得到可见光下的图像中每块火焰、烟雾及人脸区域位置；使用红外热成像网络检测模型对红外热成像下的图像数据进行检测，得到红外热成像下的图像中每块火焰、烟雾及人脸区域位置；
17、步骤s6、对步骤s5中检测到的人脸区域进行模糊处理，并通过显示器显示火焰及烟雾区域的检测结果。
18、进一步，所述步骤s2中，对可见光相机采集的图像进行强光抑制和暗光增强处理并保存，具体包括如下步骤：
19、使用开源的retinex算法，对步骤s1中可见光相机采集的图像进行强光抑制和暗光增强处理并保存；
20、强光抑制处理是指通过调整图像的对比度和亮度，抑制图像中过曝部分的亮度；
21、暗光增强处理是指通过增加暗部的亮度和对比度，增强图像中暗部区域的亮度。
22、进一步，所述步骤s4中，使用目标检测算法训练步骤s3标注后的图像数据，得到可见光网络检测模型和红外热成像网络检测模型，具体包括如下步骤：
23、选择yolo目标检测模型，完成yolo目标检测模型所需要的深度学习框架的搭建、数据集加载、损失函数设置工作；
24、训练步骤s3标注后的图像数据直至损失函数收敛，得到可见光网络检测模型和红外热成像网络检测模型。
25、进一步，所述步骤s5中，使用可见光网络检测模型对可见光下的图像数据进行检测，得到可见光下的图像中每块火焰、烟雾及人脸区域位置；使用红外热成像网络检测模型对红外热成像下的图像数据进行检测，得到红外热成像下的图像中每块火焰、烟雾及人脸区域位置，具体包括如下步骤：
26、将可见光相机采集的可见光下的火焰、烟雾及人脸图像数据，输入到可见光网络检测模型中进行检测，得到每块火焰、烟雾及人脸区域在可见光下的图像中的矩形框位置；
27、将红外相机采集的红外热成像下的火焰、烟雾及人脸图像数据，输入到红外热成像网络检测模型中进行检测，得到每块火焰、烟雾及人脸区域在红外热成像下的图像中的矩形框位置。
28、进一步，所述步骤s6中，对步骤s5中检测到的人脸区域进行模糊处理，具体包括如下步骤：
29、使用滤波器w与图像中人脸区域做乘积，进行模糊处理，模糊处理后图像中(x,y)位置的像素值表示为：
30、
31、其中，w表示滤波器，w(s,t)表示滤波器上第s行、第t列的像素值，2a表示滤波器的高度，2b表示滤波器的宽度，f(x+s,y+t)表示待检测图像中第x+s行、第y+t列像素点的像素值。
32、采用了上述技术方案，本专利技术同时使用可见光相机和红外热成像相机，具备图像质量高、温度感应敏感、夜视能力强的特点，结合人工智能算法、隐私保护技术，实现对火灾迹象(火焰、烟雾)的准确识别和监测，还能及时发出警报通知相关人员进行应急处理。与传统的火灾检测传感器(烟雾探测器、气体探测器等)相比具有更高的灵敏度，同时弥补了红外热辐射对环境敏感的缺陷，且该系统还具有自学习能力，可以持续提高检测的准确性和可靠性。
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及烟雾检测系统，其特征在于：它包括可见光相机、红外相机、隐私保护单元、算法移动端、图像处理单元和声音报警单元；
2.一种权利要求1所述的基于机器视觉的火焰及烟雾检测系统的检测方法，其特征在于，它包括：
3.根据权利要求2所述的检测方法，其特征在于，所述步骤S2中，对可见光相机采集的图像进行强光抑制和暗光增强处理并保存，具体包括如下步骤：
4.根据权利要求2所述的检测方法，其特征在于，所述步骤S4中，使用目标检测算法训练步骤S3标注后的图像数据，得到可见光网络检测模型和红外热成像网络检测模型，具体包括如下步骤：
5.根据权利要求2所述的检测方法，其特征在于，所述步骤S5中，使用可见光网络检测模型对可见光下的图像数据进行检测，得到可见光下的图像中每块火焰、烟雾及人脸区域位置；使用红外热成像网络检测模型对红外热成像下的图像数据进行检测，得到红外热成像下的图像中每块火焰、烟雾及人脸区域位置，具体包括如下步骤：
6.根据权利要求2所述的检测方法，其特征在于，所述步骤S6中，对步骤S5中检测到的人脸区域进行
...【技术特征摘要】
1.一种基于机器视觉的火焰及烟雾检测系统，其特征在于：它包括可见光相机、红外相机、隐私保护单元、算法移动端、图像处理单元和声音报警单元；
2.一种权利要求1所述的基于机器视觉的火焰及烟雾检测系统的检测方法，其特征在于，它包括：
3.根据权利要求2所述的检测方法，其特征在于，所述步骤s2中，对可见光相机采集的图像进行强光抑制和暗光增强处理并保存，具体包括如下步骤：
4.根据权利要求2所述的检测方法，其特征在于，所述步骤s4中，使用目标检测算法训练步骤s3标注后的图像数据，得...
【专利技术属性】
技术研发人员：唐圣元，徐辉，李航，韩丹，
申请(专利权)人：常州星宇车灯股份有限公司，
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。