[發明專利]一種用于水電廠區的火焰識別方法

在審

• 申請號: 202011107574.0
• 申請日: 2020-10-16
• 公開（公告）號: CN112329549A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 嚴映峰;蔣敏;靳帥;郭司亮;江杰
• 申請（專利權）人: 國電大渡河枕頭壩發電有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06Q50/06;G08B17/12;H04N7/18
• 代理公司: 成都眾恒智合專利代理事務所(普通合伙) 51239
• 代理人: 鐘顯毅

本發明公開了一種用于水電廠區的火焰識別方法，包括：S10、實時獲取水電廠區內各個攝像頭的視頻流，利用KNN背景建模，對運動目標檢測，并提取運動目標區域存儲為區域圖片；S20、對提取的運動目標區域的區域圖片進行圖像縮放處理，輸入火焰分類模型，判斷其是否為火焰，若是，則發出火焰報警；其中，所述火焰分類模型由輕量級神經網絡MobileNetV3對預先收集的火焰數據進行火焰特征深度學習后獲得。該方法不需要對每幀圖進行檢測，火焰分類的樣本數據不必依賴廠區背景因此容易收集，此方法能準確檢測大、小火焰，精確率高、召回率高，速度快。

技術領域

本發明涉及水電站安全監測技術，具體地講，是涉及一種用于水電廠區的火焰識別方法。

背景技術

水電廠區內通常會安裝很多攝像頭，用于安防監控，由相關工作人員值守，并由工作人員去實時監控發現問題，及時報警。由于攝像頭多，視頻多，人工去看實時視頻發現問題顯得效率低，而且長時間人員視覺容易疲勞，突發事件可能沒及時發現或遺漏，造成損失。

其中火源火焰是可能危及水電廠區生產運行安全的一個重要因素。現有技術有基于火焰的特征如頻閃、尖角、圓形度、顏色、閃爍移動等特征融合的方法，但這種傳統方法需要人工去定義火焰的特征，容易受到外部環境如光照、人員走動、圖片背景等的干擾，而且容易遺漏，召回率較低，而對于水電場景下要求火焰檢測精確率高、召回率高，發生火警一定要及時報出，不能遺漏，這種傳統提取火焰特征的方法就有很大局限性。也有基于深度學習的火焰目標檢測方法，針對視頻中的每一幀圖像進行目標檢測，這種方法要求足夠多的樣本進行訓練，但水電廠的火焰樣本非常少；再加上視頻圖片尺寸較大，監控拍攝存在一定距離，火焰有時在圖像中面積占比較小，而基于深度學習的目標檢測往往對小目標的檢測準確率不高；另外對每一幀都進行目標檢測，資源消耗大。還有基于視頻流的運動目標檢測加火焰特征識別的方法，雖然減少了不必要的檢測，但使用傳統圖像特征漏檢多，廠區內人員走動，與火焰特征相似的安全帽或服裝等都容易造成誤判。

發明內容

針對上述現有技術中的上述問題，本發明提供一種精確率高、召回率高的用于水電廠區的火焰識別方法。

為了實現上述目的，本發明采用的技術方案如下：

一種用于水電廠區的火焰識別方法，包括以下步驟：

S10、實時獲取水電廠區內各個攝像頭的視頻流，利用KNN背景建模，對運動目標檢測，并提取運動目標區域存儲為區域圖片；其中，KNN是指K Nearest Neighbors算法；

S20、對提取的運動目標區域的區域圖片進行圖像縮放處理，輸入火焰分類模型，判斷其是否為火焰，若是，則發出火焰報警；

其中，所述火焰分類模型由輕量級神經網絡MobileNetV3對預先收集的火焰數據進行火焰特征深度學習后獲得。

具體地，所述步驟S10具體包括：

S11、實時獲取水電廠區內各個攝像頭的視頻流；

S12、采用OPENCV2軟件的createBackgroundSubtractorKNN函數，通過設置訓練的幀數、陰影檢測獲得背景，再計算獲得當前圖片的前景掩碼；

S13、對前景區域二值化，將非白色的非前景區域均設置為0，白色的前景區域設置為255；

S14、對二值化后的前景區域進行圖像形態上的處理，通過腐蝕、膨脹操作，消除噪聲；

S15、對二值化后的圖片利用cv2.findContours函數獲得矩形輪廓坐標，該獲得的矩形輪廓對象即為圖片中的運動目標；

S16、根據矩形輪廓坐標從原圖中提取對應的矩形區域，形成運動目標區域的區域圖片。

所述步驟S12中，訓練的幀數為15-30幀。