基于北斗卫星的森林火灾监控终端设计

针对传统森林火灾监控方式存在的受地形限制,导致火灾发现不及时和定位难的缺陷,设计了基于北斗卫星的森林火灾监控系统,实现了火灾智能识别和预警,并且可以对火源、火场进行快速定位和信息通报;终端包括烟采集处理模块、图像采集模块、DSP处理模块、ARM主控模块和北斗卫星通信模块五部分,从烟和火焰两个方面对森林实时进行监控,分别采用离子烟雾传感器和DSP火焰识别混合算法,提取火焰图像差值和火焰图像边界参数的方法,提高了识别的准确率;试验证明,系统具有结构简单、使用方便和识别智能化的特点。     

多特征量对数回归的火焰快速识别算法

为了提高实时视频监控中火焰识别率和降低误识率,提出了一种基于多特征量对数回归模型的火焰快速识别算法。首先,根据火焰的色度特征进行图像分割,通过运动目标与参考图像差分运算获取火焰候选区域（CFR）;然后提取候选区域的面积变化率、圆形度、尖角个数以及质心位移等特征量,建立火焰的对数回归快速识别模型;其次采用美国国家标准与技术研究院（NIST）、仁荷大学计算机视觉实验室（ICV）和基于计算机视觉的火灾探测（VisiFire）实验库以及自制蜡烛、纸燃烧火焰中的火焰和非火焰图像中的300幅进行参数学习;最后选取实验数据库中8段视频共11071幅图像进行识别算法检验。测试结果表明,所提算法的真正率（TPR）达到93%、真负率（TNR）达到98%,识别平均用时0.058 s/帧。所提算法识别速度快且识别率高,可以应用于嵌入式实时图像火焰识别。     

森林防火图像识别中的光照干扰消除仿真分析

在物联网视觉识别技术在森林火灾报警的研究中,由于光照强度的随机性无法控制,光强度变化对图像特征采集带来了较大的干扰,对火焰像素与周围像素的差异化关联程度下降.传统的模式识别方法在光照干扰下,会由于火焰特征关联度的下降,造成火灾误识别.提出了一种空间域滤波的物联网视觉中森林火灾识别光照消除方法.利用空间域滤波方法,消除由光照造成的火焰图像噪声,提高了图像的分辨率,为森林防火提供了准确的数据源.针对特征关联下降的问题,引入线性最优分类平面,对干扰下的火焰特征进行分类,从而实现森林火灾识别.实验结果表明,上述算法可以有效消除物联网视觉中光照干扰,有效提高了森林火灾识别准确率.     

智能变电站视觉监控模型的仿真设计与实现

为了实时监控智能变电站的运行状态，提高监控过程中的精确率，提出一种智能变电站视觉监控模型的仿真设计与实现方法。通过智能摄像机Kinect采集智能变电站视频序列，将视频序列划分为多个图像，在主成分分析(PCA)的基础上引入贝叶斯统计学习理论，确定PCA中主成分数量，有效抑制图像中的噪声。提取智能变电站图像的多种特征，同时通过颜色、形状以及条纹等相关特征相结合的方式构建智能变电站视觉监控模型，通过模型完成变电站监控。仿真实验结果表明，所提模型可以有效降低平均监控错误数，提高平均监控准确率，获取高精度的智能变电站视觉监控结果。     

基于多数据集深度学习的视觉传感图像目标增强识别

视觉传感图像目标的特征变化幅度普遍较大,类别间样本不均衡,为了提高视觉传感图像关键目标识别效果,提出基于多数据集深度学习的视觉传感图像目标增强识别方法。采用颜色特征提取识别目标的特征量,通过计算视觉传感图像目标与背景区域的纹理特征差异,构建具有多特征参数的卷积神经网络模型。采用指数Laplace损失函数降低模型中类内特征变化幅度,调整不同类中心的特征间距离。结合自适应分块标记完成目标增强识别全过程。以火焰和车辆监控视觉传感图像为分析对象,设计测试实验。结果表明：所提方法的视觉传感图像增强效果较好,能够有效识别出视觉传感图像中火灾发生的异常行为和车辆的驾驶行为,且目标识别耗时低于6.2 s,证明所提方法的实际应用价值较高。     

博康集团推出图像火焰探测器

概述:图像火灾探测器属于智能型火灾探测设备,它具有火焰探测功能,可将采集到的红外视频图像信号传送给信息处理主机,使火灾探测和图像监控得到有机的结合。实时采集并分析现场视频,迅速识别火焰并产生火情报警,支持现场监控及录像取证,可方便地接入各类消防安防报警主机及监控平台。     

基于视觉识别的多点分散式火灾监控方法研究

为解决传统火灾监控方法火点识别精度不高、实时性差、布线复杂等问题,提出了基于视觉识别和无线通信的火灾监控新方法。在火点识别算法中,采用火焰静态特性和动态特性相结合的方法将摄像头采集的现场图像进行火点真伪识别。在火点信息传输中,采用无线通信技术实现上位机和PLC控制器的通信。实验证明,选取合适的火点脉动识别阈值kf,系统可极大减少非火点光源的干扰,提高了火灾的识别精度,增强了识别的实时性,同时,采用无线通信解决了系统布线复杂、可靠性不高的问题,为多点分布式环境下的火灾监控提供了一种新的解决方案。     

基于遗传神经网络的火灾图像识别及应用

传统的火灾检测方法一般采用感烟、感温、感光探测器以及红外对射探测。本文提出了一种基于图像视觉特征的火灾检测方法,根据火灾火焰处于近红外波段的特征,采集近红外图像,并利用火灾初期火焰变化的各种特征信息,用图像处理方法提取这些特征值,并把其作为输入,利用遗传神经网络对其进一步识别,从而进行火灾判别,并进一步设计了基于以上思想的火灾识别系统。实验结果表明,该系统比传统系统更进一步减少了误报率且具有响应快、监控范围广等优点。     

一种基于红外图像识别的自动消防监控系统

在火灾燃烧时火焰的红外图像序列往往具有如下可识别特征：相邻图像边缘不稳定、图像序列具有一定的相似性等。因此图像识别的方法是大空间火灾自动报警的一种可行的解决方案。本文不仅提供了一个基于序列图像的火焰快速识别算法，也实际构成了一种具有该方法的多通道实时自动消防监控系统样机。     

基于卷积神经网络的火焰智能识别研究

传统方法无法描述火焰变化特点，导致识别错误率高，识别时间长，为获得更加理想的识别结果，设计基于卷积神经网络的火焰识别算法。采集火焰图像，对火焰图像进行预处理，提高火焰图像的清晰度，并提取火焰识别特征，采用卷积神经网络对特征和火焰状态之间的关系进行模拟，构建火焰智能识别模型。在相同测试平台下，与其他方法进行对照实验，结果表明，所提方法描述火焰的变化特点，大幅度提升火焰识别正确率，同时缩短火焰识别时间，识别整体性能明显优于经典方法，具有较高实际应用价值。     

火灾的图像识别方法与应用

传统的火灾报警系统一般基于红外传感器和烟雾传感器，但在室外仓库和大型室内仓库等大空间场合的火灾报警中，上述方法并不能良好地适用。在火灾燃烧时火焰的红外图像序列往往具有相邻图像边缘不稳定但具有一定的相似性等可识别特征。因此图像识别的方法是大空间火灾自动报警的一种可行的解决方案。本文不仅提供了一个基于序列图像的火焰快速识别算法，也实际构成了一个使用微处理机的多通道火灾实时自动监控系统样机。     

一种X射线图像增强新方法

针对X射线图像对比度不高,图像偏暗,边缘模糊,噪声大的问题,提出了一种小波变换和模糊理论相结合的图像增强新方法.首先,将射线图像进行小波分解获得低频子带和高频子带,然后,对含有图像基本面貌特征和主要能量信息的低频子带采用广义模糊算子进行处理,能较好地提升图像对比度和局部亮度,对含有噪声和细节信息的高频子带利用软阈值去噪方法进行去噪处理,同时定义了一种新的增强算子,在去噪的同时进行细节增强,最后,对处理后的图像进行小波重构.实验结果表明:该方法可以有效去除图像噪声,提升图像对比度和清晰度,视觉效果良好.     

基于曲波变换的图像非线性对比度增强

考虑到人的视觉特性,提出一种新的基于曲波域的图像非线性对比度增强方法.该方法首先利用曲波变换对循环平移过的图像进行分解,然后根据非线性算子对各子带曲波系数进行调整,最后经逆变换和反平移后得到对比度增强图像.实验表明,本文算法是一种简单而有效的图像对比度增强方法,不仅图像视觉效果改善明显,层次感更强,而且避免了传统图像增强方法的噪声过增强.     

图像对比度增强的小波变换法

提出一种基于离散正交小波变换和非线性增益的图像对比度增强方法。对图像进行离散正交小波变换后,对分辨率较好的各高频子带直接利用所提出的去噪方法去噪;对分辨率较差的各高频子带利用所提出的非线性增益法结合文中的去噪法进行增强。实验结果表明,论文提出的方法在有效地增强图像对比度的同时,又能很好地抑制图像中的白噪声。算法在视觉质量上优于传统的反锐化掩膜法、直方图均衡法。     

磁共振图像对比度增强算法的仿真研究

研究磁共振图像对比度增强的问题。常用的磁共振图像增强算法在增强对比度的同时引起图像噪声过放大。为提高图像局部区域的清晰度和解决图像噪声过放大的问题,提出一种利用Contourlet变换的非线性图像对比度增强算法。首先利用Contourlet分解图像,得到子带图像;然后通过一种新的非线性增强算子改变变换域各子带的系数,有效地对图像强弱边缘进行不同程度的增强,最后通过Contourlet逆变换得到增强图像,能够在增强磁共振图像微小细节的同时避免噪声增大。仿真结果表明,方法适用于磁共振图像局部区域对比度增强,可改善图像视觉效果,有利于医生分析和诊断病情。     

基于VMD-CNN的高噪声动态生产过程质量异常监控

针对由智能制造现场动态生产过程的复杂随机因素影响造成的高噪声和质量异常监控方法效率低等问题,将变分模态分解方法(variational mode decomposition,VMD)与深度卷积神经网络(convolutional neural network,CNN)相结合,提出一种基于VMD-CNN的实时质量监控新方法.首先,利用VMD方法,将高噪声动态过程原始数据分解为包含质量异常特征和噪声信息的两类本征模态函数,通过去除噪声数据的本征模态函数,消除动态生产过程的高噪声干扰;进而,采用灰度变换将保留原始质量异常特征的本征模型函数转化为质量异常图像,构建VMD-CNN模型对质量异常图像进行识别,并提出基于VMD-CNN的高噪声动态过程质量异常实时监控框架;最后,通过实验验证所提方法的有效性,并与小波去噪方法和CNN识别模型进行对比分析,实验结果显示所提方法的识别精确度显著优于现有的动态过程质量异常监控方法.     

基于语义分割算法的水库漂浮物智能识别

为了满足水库漂浮物强监管的需求，发挥水库水雨情视频监控的优势，将语义分割算法DeepLabV3+应用于水库漂浮物智能识别任务中。首先，通过多要素数据采集方法以及多种图像数据增强方式系统性整合得到水库漂浮物语义分割数据集。然后，提出改进的加权代价函数，以适应数据集中各类的总像素数量不平衡的问题。实验结果表明，通过规范采集与多种数据增强建立的数据集，以及改进的加权代价函数，提高了水库漂浮物语义分割模型的准确率。所提模型像素准确率平均值、平均交叉比分别可达到95.21%、91.03%，通过微信企业号实现的移动监管，可为水利相关部门对水库漂浮物进行及时的智能监控预警提供新的技术方案。     

多判据图像型火灾探测系统的研究

根据火灾发生时火焰的颜色、面积逐渐增大、边缘上的尖角等特性,提出了一种基于机器视觉的火灾探测系统.着重介绍了对采集到的火焰图像进行颜色分析、面积计算和火焰尖角识别,以便得到更加准确的火灾识别效果.     

基于Tetrolet变换与PCNN的图像增强

针对传统图像增强方法易损失边缘对比度以及抗噪性不强的缺点提出了一种基于Tetrolet变换与PCNN结合的图像增强方法。对待增强图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带系数,并将分解后的高通子带系数进行软阈值处理;把经处理后的各尺度高通子带轮廓图像序列作为PCNN神经网络增强算子的外部输入,进而得到增强后的高通子带系数;通过Tetrolet反变换获得增强后的结果图像。数值实验结果表明,该增强算法不但能够有效抑制噪声,而且能够很好地增强图像边缘轮廓的清晰度。     

提升静态小波特征对比度多聚焦图像融合算法*

针对多聚焦图像融合问题,提出了一种新的基于提升静态小波变换(lifting stationary wavelet transform,LSWT)的特征对比度图像融合方法。该方法对图像经LSWT分解得到的不同子带系数采用不同的融合方案。在选择低频子带系数时提出了一种基于改进拉普拉斯能量和的视觉特性对比度系数选择方案;而在选择融合图像的高频子带系数时,根据人眼视觉对图像局部对比度变换非常敏感的特性,提出了局部特征对比度的概念,设计了一种基于局部特征对比度的系数选择方案。实验证明,该算法相对于传统图像融合方法,能得到视觉效果更好、量化指标更优的融合图像。