基于视频的全天候多特征融合火焰检测算法

针对传统可视化火灾探测技术采用单独分析可见光摄像设备或红外摄像设备采集的图像进行火灾探测, 不能全天候监控火焰的问题, 提出一种全天候多特征融合的检测算法. 首先通过视频类型判断算法确定摄像头采集的每帧图像类型, 然后利用与图像类型相对应的算法提取疑似火焰区域, 最后对疑似区域进行基于DCT的火焰频率检测和帧间相关性检测, 判断火焰是否存在. 实验表明, 该检测算法解决了传统可视化探测技术不能全天候监控火焰的问题, 且能在保持火焰高检测率的同时降低误检率.     

嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法

为解决现有火灾检测算法无法同时满足高检测率、低误报率以及高实时性的检测需求的问题,提出了一种基于卷积神经网络的改进YOLOv3目标检测算法,通过深度卷积神经网络自动提取火焰特征对全图进行多尺度特征图预测.首先,针对网络公开火灾数据集数量较少、场景种类受限、火焰尺度单一等问题,自建了一个包含13 573张火灾图片的火灾数据集用于对模型进行训练和测试,其中训练集图片10 014张,测试集图片3 559张.接着,为了提升网络对于多尺度目标(尤其是小尺度目标)火焰的特征提取效果,通过在原YOLOv3的特征提取网络Darknet-53中嵌入空洞卷积模块以充分利用上下文信息,扩增感受野的同时保证不丢失特征图的分辨率.此外,在特征提取网络中加入DenseNet密集型连接网络结构单元,以增强特征复用,同时缓解深度卷积神经网络在特征传播过程中的梯度消失问题.该改进的特征提取网络相比原网络层数进一步加深,网络参数量显著减少.结合火灾检测任务需求实际,简化了损失函数,加快了网络的收敛速度.实验结果表明:该算法检测速度快,检测精度高,不仅能够实时检测大尺度火焰,对于火灾发生初期的小尺度火焰也同样检测灵敏,其检测速度可达26.0帧/s,精确率可达97%,且在多种复杂光照环境下均能良好地抑制误报.     

基于视频的火焰检测技术研究

综合分析了火焰的颜色、闪烁频率及其面积增长性等静态特征和动态特征,设计了一种基于视频的火焰检测自动预警算法.利用混合高斯模型有效地表示了火焰颜色及颜色的多态性.实验表明该算法具有误报警低、识别率高、实时性强等优点,是火灾自动报警的一种可行、科学的解决方案,具有广泛的应用前景,该研究在国内外还处于发展阶段.     

基于RetinaNet深度学习模型的火焰检测研究

鉴于卷积神经网络能够自动学习和获取图像特征,提出一种基于RetinaNet模型的火焰检测算法.首先RetinaNet在残差网络之上使用特征金字塔网络作为骨干网计算和生成丰富的卷积特征金字塔,然后通过分类子网络和边框预测子网络分别对骨干网的输出进行分类和回归,通过调整训练策略和参数,最后在自建数据集上使用该算法得到的火焰检测模型实现了实时的端到端火焰识别与定位,对复杂目标背景下的小火点检测也保持较高的检测准确率,对火灾初期的检测预警有一定的实用意义.     

可变视场下的火灾探测算法

针对火灾发生初期由火焰面积小、特征不够明显且易受干扰等因素所导致的火焰识别困难的问题,提出一种可变视场下小面积火焰快速探测方法.该方法利用旋转云台实现小面积火焰疑似区域的大监控范围跟踪和视野中央聚焦;通过镜头变焦处理对小面积火焰进行自动放大,提高火焰区域“多分辨”视觉识别特征的显著性;采用自适应区域增长算法对火焰图像进行识别,有效完成火焰疑似区域分割;通过建立的信任度概率模型,将疑似概率作为火焰判定的量化参数,用于火焰区域的最终确定,从而在识别算法和图像获取硬件设备两方面改善火焰探测系统的工作效率.实验结果表明,火焰成像质量得到明显改善,火焰特征识别速度得以明显加快,小火焰检测精度显著提升,可广泛应用于火灾早期以及远距离火焰检测与预警.     

基于无人机遥感图像的森林火灾检测

为减少森林火灾造成的生态与经济损失,搭建无人机检测平台采集森林遥感图像,基于支持向量机(SVM)开发森林火灾检测系统.通过分析森林遥感图像的像素点,预提取火灾的感兴趣区域(ROI),提高火灾识别准确率.利用方向梯度提取森林火焰的边缘特征与纹理特征,采用机器学习方法进行森林火灾识别.实验结果表明,该检测方法对火灾与非火灾...     

基于DM642的火灾报警系统的设计与研究

该设计介绍了火焰图像的识别,提出基于DM642的火灾报警系统的设计过程,主要利用CCD摄像头采集火灾的火焰图像,再由芯片TVP5150转变为数字信号送入DM642的Vp口,并由DM642对送入的数字信号进行分析与处理,实现火灾的自动报警.     

电站锅炉数字图像火焰检测系统设计与实现

针对现有的锅炉火焰检测系统主要以开关逻辑量为主以及现有的图像检测系统的缺点，设计了基于通用视频采集硬件的锅炉火焰图像检测系统。对火焰图像进行了预处理并给出了一种最佳的分割算法，引入了针对不同特征的重要性修正因子。为了适应多炉型、多煤种、复杂工况的情况，对所提出的自适应聚类中心主动优化算法做了分析描述。给出了系统的软件模块图，并对各模块的功能做了分析，并得出结论。     

使用日夜两用型红外摄像机进行火焰检测

为了提高火灾监控的准确性和及时性,并最大限度地利用已有硬件设备,提出一种使用日夜两用型红外摄像机的火灾自动监控方法.根据红外图像RGB空间的色彩分布特点,设计视频类型判断算法,实现视频图像类型自动切换.通过红外状态与可见光状态两类状态下的焰色模型提取火焰疑似区域.对疑似火焰区域提取不规则度、角点量、闪烁频率和帧间相关性等4个静态及动态检测特征.通过减聚类和模糊C均值聚类相融合的方式优化训练样本,并分别训练2种状态下的火焰识别神经网络分类器.实验结果表明:视频类型判别平均准确率93.07%,21段火焰或干扰视频均能正确检测,报警时间小于8s,帧处理速度达到25帧/s以上.对室内自动火灾监控的精度高、抗干扰能力强、处理速度实时和适应全天候监控等.     

基于颜色和纹理特征的森林火灾图像识别

为了降低火焰状干扰源存在时森林火灾的误报率,提高火灾预警的快速性,根据火焰独特的颜色和纹理特征,提出了以分块的LBP直方图特征结合LPQ直方图特征的火焰识别算法。首先利用YCbCr颜色空间的规则进行颜色检测,得到疑似火焰区域;再使用LBP、LPQ分别从空域、频域提取纹理,图像空域和频域的纹理特征结合后,得到特征向量;最后将特征向量输入SVM分类器进行测试和火焰识别。实验结果表明:此融合算法鲁棒性强、检测率高,存在火焰状干扰源时,测试集的火焰识别准确率可达94.55%;与深度学习算法对比,该算法在保证较高正确率的同时,预测耗时大幅度减少,预测耗时是DBN的1/4、是CNN的1/50,提高了火灾预警的快速性,为快速准确的林火预警提供了算法依据。