基于多尺度卷积神经网络的两阶段火灾识别算法研究

基于机器视觉的火灾识别技术对于智慧消防具有极为重要的意义。针对火焰容易受到复杂背景、不同摄像角度等因素影响,本文提出一种基于多尺度卷积神经网络的火灾高精度识别算法。算法将火灾识别任务分解成前景提取与精准识别两个阶段。在前景提取阶段,算法结合火焰运动性特点,使用帧差法对火灾候选区域进行快速提取。在精准识别阶段,算法引入空间金字塔池化模块,设计多尺度卷积神经网络进行火灾识别,实现对不同火焰尺度图像的高精度检测。在实际数据集上进行仿真实验,本文所提出算法在图像和视频领域分别取得93.6%和94.9%的火灾识别准确率,这有力证明了本文算法的有效性。     

一种基于质心距脉动特征的火焰轮廓识别算法

火灾视觉特征的提取是火灾图像探测的关键问题。提出了一种描述火灾火焰轮廓脉动信息的火焰图像质心距脉动模型,即先用质心距来描述火焰的轮廓信息,再利用傅立叶描述子描述火焰轮廓变化的时空信息,采用距离来度量相邻两帧图像轮廓的变化幅度。实验结果表明,对于火灾火焰视频图像而言,其相邻两帧之间的脉动幅度、变化频率要明显高于受控燃烧、光源干扰等非火灾情况,可有效应用于火灾火焰的识别。研究表明,该方法能有效地探测火灾的发生,降低系统的误报率。     

一种改进的帧差法实现火焰目标分割

针对传统船舶火灾报警系统采用的传感器在远离火灾源时很难探测到初期火灾的特性,提出了利用摄像头模式识别的方法来探测火源的构想,将顶置鱼眼摄像头作为图像传感器,在一个较大的范围内探测初期火灾,提出了一种基于火焰闪点位置的交叉性与聚合性的帧差算法,实现火焰目标分割识别.该方法是在实时视频流中,对连续两帧图像进行帧差,根据闪点位置的交叉性排除运动物体的干扰,再根据闪点的聚合程度排除一部分游离的干扰闪点,最后得到疑似火焰区域.对疑似火焰区域二值化、抽取轮廓、再由种子点位置确定火焰外形.此法能够高效地从视频图像中分割出火焰,从而为火灾的初期预防报警提供高效识别手段.     

施工现场火焰检测和预警机器人设计及应用

为预防施工现场火灾事故,提高火焰检测性能,设计基于单点多盒检测器(SSD)和MobileNet模型相结合的火焰检测和预警机器人。首先,处理采集的火焰视频图像数据集,并将其划分为真实火焰图片与疑似火焰图片2类;其次,结合迁移学习思想,微调SSD_MobileNet模型中的网络参数值;最后,将获得的检测模型集成到机器人视频监控平台,进行火焰检测与预警,并在某工地上测试其应用效果。结果表明:在检测模型50%的置信度阈值下,机器人能够准确检测出工地场景中的火焰,多帧视频准确率达到90%以上,并可实现实时预警。     

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。     

基于多特征无量纲向量的图像型管廊火灾探测技术研究

针对管廊火灾检测中背景干扰与小目标检测困难的问题,提出采用无量纲特征参数描述图像型火焰动静态特征的火灾检测方法。利用背景差分法分割火焰目标区域,分析火焰发展特性,提取、计算角二阶矩变化率(A^*_ASM)、对比度变化率(C^*_CON)、自相关度变化率(C^*_COR)、面积变化率(S^*)等无量纲特征参数;拟合无量纲特征融合向量T^*并在SVM模型中检验其可靠性。研究结果表明：通过对不同可燃物在不同空间环境下的燃烧视频随机200帧序列进行检测,发现提出的无量纲特征参数具有“稳定”的变化范围,对火灾火焰与一般火焰的识别率最高可达97.5%,98.0%,受监测空间环境的影响较小。研究结果可为图像型火焰特征提取提供借鉴。     

低气压下火焰视频图像特征研究

为了进行非密封飞机机舱内视频火灾探测技术的研究,借助中国科学技术大学QR0-12步入式环境低气压试验舱开展低气压下(100kPa,90kPa,70kPa,50kPa和30kPa)火焰视频图像特征研究。在实验舱中用正庚烷作为可燃物进行点火实验,拍摄火焰视频,研究低气压环境下火焰的颜色、空间变化、运动、相对稳定性、边缘粗糙度、相邻帧火焰区域面积变化率、面积重叠率、相关性特征。实验结果表明,火焰的颜色、空间变化特征不会随气压变化而变化;而火焰动态特征等都会因气压的不同而发生变化。因此,火焰的颜色和空间变化特征在低气压环境中仍可用于火焰区域分割和识别,而其他动态特征会随着气压发生变化,不能用常压下的方法来训练分类模型,但仍可以用以区别火焰和静止的疑似区域。     

基于静态特征和动态行为的火灾检测模型

为实时准确地检测视频监控的火灾信号,减少火灾误报,提出1种基于静态特征和动态行为的火灾检测方法.利用改进的Faster RCNN检测模型,根据可疑火灾区域的颜色特征和空间特征对其进行目标检测和特征降维,与传统的Faster RCNN相比平均检测精度提升5％;利用ILSTM对连续帧中的特征进行累加,对短期内是否发生过火灾...     

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明：YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检...     

基于自动种子区域生长的火焰分割算法

在存在壁面反射的低照度火灾环境中,传统的火焰分割算法如颜色分割、运动检测等,在进行火焰分割时造成过分割现象,分割的效果不理想,影响后续的火灾正确识别。针对上述问题,提出了一种基于自动种子区域生长(Automatic Seeded Region Growing,ASRG)的火焰分割算法。首先将从火灾视频中获取的火灾图像从RGB颜色空间转换到YCbCr颜色空间,在Y通道中采用较大自适应阈值背景减法将火灾图像二值化,分别将可疑火焰像素点的横坐标和纵坐标按大小进行排序,取排序后的中间值作为种子点,再由原RGB火灾图像转换而成的灰度图像中,以该种子点进行区域生长,最后将区域生长后的火焰分割图像与采用较小自适应阈值背景减法得到的火焰分割图像进行交集处理,得到最终的火焰分割图像。实验表明ASRG算法在存在壁面反射的低照度火灾环境中,火焰分割效果好,有效解决了该环境下的火焰过分割问题,同时在其他火灾环境中也有较好的火焰分割效果。     

基于扩展分形特征的图像型火灾检测

针对火灾检测中存在的不稳定及误判率高的问题,提出一种基于扩展分形特征的图像型火灾检测算法。首先在图像的HSI颜色空间进行火焰疑似区域的分割,然后采用文中提出的扩展分形特征计算方法计算图像扩展分形特征,利用该特征对目标事物对比度和大小尺寸敏感的特性,对火焰区域进行再次分割,得到最后的火焰区域。实验结果表明,该算法运行效率较高、误报率较低,适用于多种场合的火灾检测。     

一种基于视频图像相关性的火灾火焰识别方法

由于火焰燃烧时气体羽流的卷吸特性和空气流动的影响,燃烧的火焰表现出不停的振荡特性,基于这种振荡性提出利用图像的相关性来探测火灾的发生.火灾视觉特征的提取是视觉火灾探测的重要问题,首先确定运动区域,再利用火焰振荡特性提出了相关性算法,并分析了R、G、B 3种分量对相关性的影响.实验结果表明利用相关性来分析时,火焰的相关性系数图是剧烈振荡的,而非火焰的相关性系数图是相对比较平坦的,为可视化火灾探测系统提供了一种有效的判据;R、G、B对相关性的影响是一致的,在实际应用中只需利用其中的1个分量即可,可有效提高火灾探测系统的响应时间.     

深度学习技术创新实践

本文介绍一种基于深度学习的视频找人技术,通过采集视频监控系统的图像进行图像模式识别分析,即可实现人员、车辆的视频追踪及人群的动态特征,并提取出特征区域的深层关系值,进行无监督学习,准确区分真实目标和噪声,利用多目标追踪技术来避免逐帧进行目标确认,大幅减少了计算量,有效降低了弱小目标的漏检率及噪声的误报率,提升了视频处理速度与识别的准确率,能够运用于各种复杂的场景。     

基于红外热成像的隧道火焰检测技术研究

精准的火焰检测是有效避免火灾发生的关键,针对传统的火灾探测算法在公路隧道等大空间环境中存在及时性与准确性相互制约的问题,通过研究隧道火焰初期在图像中呈现的静态和动态特征,提出了一种基于红外热成像的公路隧道火灾初期火焰检测方法。利用温度阈值获取疑似火焰区域,根据红外图像在引导滤波器作用下降噪,同时利用区域增长法分割疑似火焰区域;从疑似区域中提取的特征值构成特征向量,进行数据归一化提高SVM收敛速度;利用人工蜂群算法优化参数。结果表明：ABC-SVM能够实现公路隧道火灾初期的火焰识别,检测正确率相较于RBF方法提升了2.26%,运行时间缩短了2.29 ms;检测正确率相较于SVM方法提升了0.87%,运行时间缩短了2.22 ms。本方法可以对初期隧道火灾进行快速、有效检测,并有良好的环境适用性。     

一种HSI空间基于模糊聚类的火灾彩色图像分割算法

针对通用模糊聚类算法进行彩色图像分割存在对初值敏感,迭代过程耗时等问题,在HSI空间结合火焰图像分布特征,采用平均值法进行初值优选,构造抑制算子和抑制因数对火焰无关区域S和I分量进行有效抑制,采用直方图聚类后进行数据融合等方式,最终实现彩色火灾图像分割。实验表明,该算法提高了彩色火灾图像分割的准确性和收敛速度。     

融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明：融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.001 6%,在所有测试视频的平均检测速度为51.67帧/s, YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。     

图像型火灾火焰探测原理

根据火灾火焰的颜色特性、闪烁频率特性、形态变化特性及其发生发展在图像上所表现出来的趋势特征,设计分析了图像型火灾火焰的序列帧识别原理,并结合工程应用的分类特性,论述了图像型火灾火焰的干扰及其使用图像的小块分割算法和外形判断的干扰排除方法.     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。     

监控完全遮挡场景下火焰特征分析方法*

为解决监控完全遮挡场景下火灾原因认定面临的问题,探究火焰的视频特征分析方法。利用油盘火、垃圾桶火焰和短路火花3种实体火焰模拟室内火灾,布置普通彩色CCD监控摄像头使之被完全遮挡,收集火灾视频进行预处理,利用视频分析技术提取、对比、分析油盘火焰、垃圾桶火焰和短路火花的HSV颜色、火焰面积增长、质心变化、Harris角点变化、火焰频闪等特征,并总结对应特征变化规律。结果表明:在监控完全遮挡场景下,提出的火焰视频特征分析方法可以较为精确地定量表征火焰动静态特征,为火灾调查工作的顺利开展提供有力的工具。     

火焰撞击障碍物形成的溢流火焰融合行为研究

为深入了解核电厂横向多层电缆桥电缆火灾,针对横向多层电缆火焰撞击障碍物形成的溢流火焰融合现象开展试验研究。试验分别在10、14、28、42、56和84 kW等不同火焰热释放速率(HRR)和0.1、0.2、0.3、0.4和0.5 m等不同挡板-燃烧器距离条件下进行。对比分析不同工况下的火焰间歇概率图,引入火焰融合概率来描述火焰融合现象,发现火焰的融合行为可由火焰HRR和挡板-燃烧器距离的比值来量化区分。当比值小于200时,溢流火火焰完全不融合,为不融合区;当比值大于600时,溢流火火焰完全融合,为完全融合区;当比值大于200小于600时,溢流火火焰间歇融合,为间歇融合区。