陕西科技大学 电子信息与人工智能学院，陕西 西安 710021
为实现实验室火灾识别并解决因火苗小导致相机采集到的图像火焰不显著，以及火焰伴随烟雾遮挡影响分割识别精度的问题，提出一种改进的语义感知的实时热红外和可见光图像融合分割网络。通过融合热红外与可见光图像，提供热辐射信息以增强可见光图像中因烟雾遮挡而降低的光谱信息以及火焰燃烧前期的显著性，完成对实验室烟雾遮挡下火焰以及火焰燃烧前期小火苗的分割。对融合网络中的梯度残差密集块（GRDB）增加中间特征传输块（IFTB）并引入权重块，减少融合时火焰图像的信息损失，在增强火焰图像显著性的同时以最少内容损失为基准还原可见光图像结构信息。在Deeplabv3+语义分割网络中添加基于梯度变换的边缘提取模块（EEM），增强融合图像中明暗变换显著的火焰烟雾图像边缘信息，减少烟雾遮挡对火焰分割的影响，提高火焰分割识别精度。实验结果显示，通过融合可见光与热红外图像使火焰燃烧前期图像的火焰检测分割识别精度得到了提升，改进的火焰分割网络在自采数据集中的平均交并比为91.27%，分割效率为11.96 FPS，表明改进的融合分割网络对实验室火焰烟雾分割识别的效果有明显提升，对于实验室火焰烟雾检测具有现实应用价值。
火焰烟雾检测 图像融合 语义分割 IFTB 边缘提取 flame smoke detection image fusion semantic segmentation IFTB edge extraction
1 上海工程技术大学, 上海 201000
2 清华大学, 北京 100000
火灾发生的前期往往伴随有不同量的烟雾, 故烟雾的高精敏感检测对预防火灾蔓延具有重要作用。针对烟雾检测提出了基于光流估计与目标检测的SmokeNet算法, 该算法首先对输入图像的色彩空间进行转换, 然后使用光流估计算法LiteFlowNet对烟雾运动进行估计, 并使用目标检测算法YOLOv4剔除运动物体干扰, 最后通过降噪处理, 得到图像中烟雾区域的大小、形状及运动轨迹, 即可对烟雾进行评估。在室内烟雾评估实验中, 该算法获得了93.53%的检测准确率。
烟雾检测 光流 目标检测 smoke detection optical flow target detection SmokeNet SmokeNet
西安建筑科技大学 信息与控制工程学院, 陕西 西安710048
为提高火灾烟雾检测模型的性能, 以及避免繁琐的手工烟雾特征提取过程, 本文提出一种基于卷积神经网络YOLOv4的火灾烟雾检测模型。该方法以CSPDarkNet53为主干网络, 在主干网络的最后一层加入了13×139×95×51×1四个不同尺度的最大池化, 多尺度特征融合中采用了PANet(Path Aggregation Network)以提高网络特征提取能力; 为了增强网络预测头提取有效烟雾信息的能力, 在网络预测头加入通道注意力网络。针对火灾烟雾数据集, 候选框的尺寸使用K-means进行聚类以得到更加符合贴近火灾烟雾数据集的尺寸; 由于本文仅识别火灾烟雾一种类别, 所以精简损失函数, 剔除分类误差, 使算法收敛得更快。训练阶段使用了图像翻转、放缩和随机擦除等数据增强方法以降低过拟合的风险。实验结果表明, 所提出的火灾烟雾检测模型精度高, 其准确率达到92.5%, 召回率达到87.7%, 同时检测速度可达51帧/s, 提高了火灾烟雾检测模型的性能。
火灾烟雾检测 通道注意力网络 fire smoke detection YOLOv4 YOLOv4 channel attention network K-means K-means
西安建筑科技大学 信息与控制工程学院, 陕西 西安710055
烟雾是火灾早期检测的重要特征。传统机器学习及二维卷积神经网络烟雾检测算法对烟雾特征的提取局限于空间领域, 无法提取时域信息。现有的三维卷积神经网络检测算法则存在计算成本高、检测时效低的问题, 导致检测准确率和虚警率不理想。针对上述问题, 本文提出一种基于时空域深度学习的烟雾视频检测方法。利用分块运动目标检测方法提取烟雾视频的运动目标, 过滤非烟雾目标; 同时将三维卷积神经网络拆分, 形成一种二加一维时空域网络模块, 提取时空域特征, 提高检测时效。为抑制无关特征, 引入注意力机制, 增加压缩和激励网络重新标定特征通道权重, 提升烟雾检测准确率。研究结果表明, 本文所用算法的平均准确率为97.12%, 平均正确率为97.06%, 平均虚警率为2.74%, 平均检测帧率为10.49帧/s, 满足火灾烟雾探测需求, 检测时效得到明显提高。
烟雾检测 深度学习 时空域 运动目标检测 注意力机制 smoke detection deep learning spatio-temporal moving target detection attention mechanism
南京邮电大学电子与光学工程学院、微电子学院, 江苏 南京210023
烟雾图像检测是及早发现火灾的一种重要手段。针对传统LBP(Local Binary Patterns) 特征与Gabor特征的融合算法存在鲁棒性和检测率低的问题,提出一种TDFF(Triple Multi Feature Local Binary Patterns and Derivative Gabor Feature Fusion)的烟雾检测算法。采用T-MFLBP(Triple Multi Feature Local Binary Patterns)算法分别对像素间不同灰度差值以及非均匀模式中特殊位置的像素进行编码计算,可以捕捉更清晰的纹理特征;然后利用高斯核函数的一阶偏导数提取Gabor特征,从而优化提取图像边缘灰度信息的性能;最后对融合后的特征进行训练,可以提高最终分类的准确性。实验结果表明,TDFF算法具有较强的鲁棒性,烟雾图像的检测率也显著优于未改进的传统算法。
图像处理 烟雾检测 局部二值模式 Gabor 特征融合 激光与光电子学进展
2021, 58(4): 0410023
烟雾检测技术在预防早期火灾蔓延方面具有重要的作用,准确快速的烟雾检测算法具有非常重要的实际应用价值。近年来,随着机器视觉与图像处理技术的快速发展,面向视频图像的烟雾检测算法以其非接触性、强鲁棒性等特点受到广泛的关注。面向视频图像的烟雾检测算法有效克服了传统烟雾探测器靠近火源才能工作的不足,但是由于场景的复杂性和环境因素的不确定性,面向视频图像的烟雾检测算法仍然面临着巨大的挑战。首先简单介绍了烟雾检测技术的基本流程,包括预处理、特征提取以及分类识别等步骤;其次介绍了基于颜色和运动分割的预处理方法,进一步分析了烟雾的视觉特性和运动特性,并介绍了相关烟雾特征提取算法;然后,对当前烟雾检测常用的分类器以及深度学习网络模型进行了探讨和总结;最后,重点介绍了烟雾检测算法存在的不足,并对烟雾检测算法的发展进行了展望。
机器视觉 图像处理技术 烟雾检测 特征提取 分类识别 激光与光电子学进展
2021, 58(4): 0400003
西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。
图像处理 火灾烟雾识别 目标区域 卷积神经网络 运动检测 抗干扰能力 激光与光电子学进展
2020, 57(16): 161004
1 大连海事大学信息科学技术学院, 辽宁 大连 116026
2 大连海事大学船舶电气工程学院, 辽宁 大连 116026
为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58 s,可满足复杂场景下烟雾的实时检测要求。
机器视觉 视频烟雾检测 卷积神经网络 高斯混合模型 形态学 激光与光电子学进展
2019, 56(21): 211502
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
堆场烟雾检测对于火灾预警、保障人员与财产安全具有重要意义。针对传统烟雾检测方法特征提取不充分,误报率偏高以及稳健性较差的问题,提出一种基于并行深度残差网络的堆场烟雾检测方法。该方法利用目标场景烟雾RGB图像的R、G、B分量以及图像HSI变换的H、S、I分量构建并行深度残差网络,自适应获得烟雾特征;同时通过样本扩边、负样本强化学习策略来加强模型对类烟物体的判别能力。实验结果表明,该算法能有效降低因类烟物体产生的误报率,且提升了网络的检出率和稳健性。
图像处理 图像识别 堆场 烟雾检测 并行深度残差网络 激光与光电子学进展
2018, 55(5): 051008
