一种基于图像分割识别的火焰智能检测方法与流程

1.本发明属于图像识别技术领域，尤其涉及一种基于图像分割识别的火焰智能检测方法。


背景技术：

2.电力系统中的燃料系统检修是日常检修中需要重点关注的地方，目前针对燃料系统检修动火点在施工结束后的1—16小时内，容易因为现场遗留的零星热源与煤粉接触后发生阴燃，引起设备火灾，但依靠人工检测，较难发现，且存在安全隐患。


技术实现要素：

3.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于图像分割识别的火焰智能检测方法，其能够自动识别火灾发生，识别效果好，且方便安全。
4.为解决上述技术问题，本发明采用的技术方案是：一种基于图像分割识别的火焰智能检测方法，包括：
5.采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))，t1(x,y)指实时火焰的颜色特征，t2(x,y)指实时火焰的运动特征，t3(x,y)指实时火焰的几何特征，t4(x,y)指实时火焰的纹理特征；
6.调取预置现场的k(k1(x,y),k2(x,y),k3(x,y),k4(x,y))，k1(x,y)指预置火焰的颜色特征，k2(x,y)指预置火焰的运动特征，k3(x,y)指预置火焰的几何特征，k4(x,y)指预置火焰的纹理特征；所述预置现场是指正常运行无火灾的现场；
7.计算相关度a＝k1q1 k2q2 k3q3 k4q4，q4，q4，k1、k2、k3和k4均为权值；
8.若a＜a0，则进行火焰报警，a0为预设值，0.3≤a0≤0.4。
9.上述基于图像分割识别的火焰智能检测方法，所述采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))时，包括：
10.对采集到的实时现场的图像信息进行滤波去噪和直方图均衡预处理；
11.然后，再识别图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))。
12.上述基于图像分割识别的火焰智能检测方法，所述采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))时，还包括：对实时现场的图像信息进行分割，将火焰所在区域独立分割出来，然后再识别图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))。
13.上述基于图像分割识别的火焰智能检测方法，所述相关度a的计算频率为1次/s。
14.上述基于图像分割识别的火焰智能检测方法，所述采集实时现场的图像信息时，采用红外线摄像头进行图像采集。
15.上述基于图像分割识别的火焰智能检测方法，所述k1＝0.4、k2＝0.3、k3＝0.4、k4＝0.3。
16.本发明与现有技术相比具有以下优点：本发明通过对火焰的颜色特征、火焰的运动特征、火焰的几何特征、火焰的纹理特征等多个方面进行监测，从而能够很好的识别火灾发生，使工作人员不必再现场人工监测，避免了危险。
17.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
18.图1为本发明的方法流程图。
具体实施方式
19.如图1所示，一种基于图像分割识别的火焰智能检测方法，包括：
20.采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))，t1(x,y)指实时火焰的颜色特征，t2(x,y)指实时火焰的运动特征，t3(x,y)指实时火焰的几何特征，t4(x,y)指实时火焰的纹理特征；
21.调取预置现场的k(k1(x,y),k2(x,y),k3(x,y),k4(x,y))，k1(x,y)指预置火焰的颜色特征，k2(x,y)指预置火焰的运动特征，k3(x,y)指预置火焰的几何特征，k4(x,y)指预置火焰的纹理特征；所述预置现场是指正常运行无火灾的现场；
22.计算相关度a＝k1q1 k2q2 k3q3 k4q4，q4，q4，k1、k2、k3和k4均为权值；
23.若a＜a0，则进行火焰报警，a0为预设值，0.3≤a0≤0.4。
24.需要说明的是，实时现场的图像信息是通过部署在现场的红外线摄像头进行采集，然后传输至远程计算机进行分析计算，得到图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))，具体的，t1(x,y)实时火焰的颜色特征，t2(x,y)实时火焰的运动特征，t3(x,y)实时火焰的几何特征，t4(x,y)实时火焰的纹理特征是通过预先训练好的机器学习模型进行采集，其中(x,y)是像素编码坐标信息，实际中优选地，所述a0＝0.35。
25.本实施例中，所述采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))时，包括：
26.对采集到的实时现场的图像信息进行滤波去噪和直方图均衡预处理；
27.然后，再识别图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))。
28.需要说明的是，通过滤波去噪和直方图均衡预处理可以使识别出的特征信息更加的精确。
29.本实施例中，所述采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))时，还包括：对实时现场的图像信息进行分割，将火焰所在区域独立分割出来，然后再识别图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))。
30.需要说明的是，实际中，因为现场的场景较大，所以通过图像分割的方式，将火焰所在区域独立分割出来然后进行图像增强处理，再进行识别可以获得更准确的识别结果。
31.本实施例中，所述相关度a的计算频率为1次/s。
32.需要说明的是，实际中火灾的发送和传播速度有时会很快，所以采用较高的计算频率可以更快的发现并预警。
33.本实施例中，所述k1＝0.4、k2＝0.3、k3＝0.4、k4＝0.3。
34.需要说明的是，采用k1＝0.4、k2＝0.3、k3＝0.4、k4＝0.3，是经过对实际火焰发生变化并出现火灾情况的多次研究，所确定的权重值。
35.以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。


技术特征：
1.一种基于图像分割识别的火焰智能检测方法，其特征在于，包括：采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))，t1(x,y)指实时火焰的颜色特征，t2(x,y)指实时火焰的运动特征，t3(x,y)指实时火焰的几何特征，t4(x,y)指实时火焰的纹理特征；调取预置现场的k(k1(x,y),k2(x,y),k3(x,y),k4(x,y))，k1(x,y)指预置火焰的颜色特征，k2(x,y)指预置火焰的运动特征，k3(x,y)指预置火焰的几何特征，k4(x,y)指预置火焰的纹理特征；所述预置现场是指正常运行无火灾的现场；计算相关度a＝k1q1 k2q2 k3q3 k4q4，q4，q4，k1、k2、k3和k4均为权值；若a＜a0，则进行火焰报警，a0为预设值，0.3≤a0≤0.4。2.按照权利要求1所述的一种基于图像分割识别的火焰智能检测方法，其特征在于，所述采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))时，包括：对采集到的实时现场的图像信息进行滤波去噪和直方图均衡预处理；然后，再识别图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))。3.按照权利要求2所述的一种基于图像分割识别的火焰智能检测方法，其特征在于，所述采集实时现场的图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))时，还包括：对实时现场的图像信息进行分割，将火焰所在区域独立分割出来，然后再识别图像信息t(t1(x,y),t2(x,y),t3(x,y),t4(x,y))。4.按照权利要求1所述的一种基于图像分割识别的火焰智能检测方法，其特征在于，所述相关度a的计算频率为1次/s。5.按照权利要求1所述的一种基于图像分割识别的火焰智能检测方法，其特征在于，所述采集实时现场的图像信息时，采用红外线摄像头进行图像采集。6.按照权利要求1所述的一种基于图像分割识别的火焰智能检测方法，其特征在于，所述k1＝0.4、k2＝0.3、k3＝0.4、k4＝0.3。

技术总结
本发明公开了一种基于图像分割识别的火焰智能检测方法，包括：采集实时现场的图像信息T(T1(x,y),T2(x,y),T3(x,y),T4(x,y))；调取预置现场的K(K1(x,y),K2(x,y),K3(x,y),K4(x,y))，K1(x,y)指预置火焰的颜色特征，K2(x,y)指预置火焰的运动特征，K3(x,y)指预置火焰的几何特征，K4(x,y)指预置火焰的纹理特征；所述预置现场是指正常运行无火灾的现场；计算相关度A＝k1Q1 k2Q2 k3Q3 k4Q4，k1、k2、k3和k4均为权值；若A＜A0，则进行火焰报警，A0为预设值，0.3≤A0≤0.4。本发明其能够自动识别火灾发生，识别效果好，且方便安全。且方便安全。且方便安全。


技术研发人员：华守彤 陈逸 季承 王天宇 龚孜诣 林义杰 顾孟贤 朱佳俊 高巍
受保护的技术使用者：上海擎测机电工程技术有限公司
技术研发日：2021.11.05
技术公布日：2022/2/8