基于深度学习的燃烧火焰传播速度识别方法和系统技术方案

本发明专利技术公开了一种基于深度学习的燃烧火焰传播速度识别方法，包括如下步骤：步骤一：获取燃烧火焰的连续视频帧；步骤二：采用YOLOv5s模型对每帧图像进行火焰区域检测，输出火焰边界框；步骤三：将火焰边界框图像输入DINOv2模型提取特征向量，并通过MLP分类器判断火焰图像有效性；步骤四：从有效火焰图像中提取燃烧火焰图像，对燃烧火焰图像进行Canny边缘检测，结合尾焰去除和分段函数拟合计算火焰表面积；步骤五：通过ORB特征点匹配算法跟踪连续帧中火焰前沿位移，结合时间间隔计算火焰传播速度。本发明专利技术还公开了一种基于深度学习的燃烧火焰传播速度识别系统。

【技术实现步骤摘要】

本专利技术属于火焰传播速度识别，具体的为一种基于深度学习的燃烧火焰传播速度识别方法和系统。

技术介绍

1、火焰传播速度的准确识别对于防控火灾爆炸及其带来的灾难性后果具有深远的意义。因此，研究早期火焰的结构特征，有助于更好地预防和抑制气体爆炸灾害的发生。在新型清洁燃料的开发中，如氨-氢混合气，火焰传播速度的精确测量是评估其燃烧效率与稳定性的重要指标。火焰传播速度的精准测量对燃烧室稳定性设计至关重要，是连接燃烧基础研究与工程应用的重要桥梁。现有技术中，关于火焰传播速度识别方法主要有以下几种。

2、第一种方法为结合改进型 yolov7 与 densenet121 的检测模型。yolov7 是yolo 系列中最新且性能最优的模型之一，具有较高的检测速度和精度，并在其改进中引入了多种机制，如注意力机制（如 se 模块、simam 模块）和轻量化结构（如 ghostnet、convnext），以增强模型对小目标的检测能力，并减少计算量。例如，一些现有技术中提到通过引入 se 注意力机制，模型能够更好地关注通道特征，从而提升检测精度 。densenet121本文档来自技高网...

【技术保护点】

1.一种基于深度学习的燃烧火焰传播速度识别方法，其特征在于：包括如下步骤：

2.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述步骤二中，YOLOv5s模型的目标置信度表示为：

3.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述MLP分类器包括三层全连接神经网络：

4.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述步骤四中，提取燃烧火焰图像方法为：

5.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述步骤四中，尾焰去除包括：

<...

【技术特征摘要】

1.一种基于深度学习的燃烧火焰传播速度识别方法，其特征在于：包括如下步骤：

2.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述步骤二中，yolov5s模型的目标置信度表示为：

3.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述mlp分类器包括三层全连接神经网络：

4.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述步骤四中，提取燃烧火焰图像方法为：

5.根据权利要求1所述基于深度学习的燃烧火焰传播速度识别方法，其特征在于：所述步骤四中，...

【专利技术属性】
技术研发人员：吴鹏程，徐鑫雨，慕艳双，宫雷皓，涂浩北，肖瑞，
申请(专利权)人：西南大学，
类型：发明
国别省市：