一种基于深度学习的火焰及烟雾识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115830115A(43)申请公布日2023.03.21(21)申请号202211530629.8G06T7/90(2017.01)(22)申请日2022.12.01G06N3/0464(2023.01)G06N3/08(2023.01)(71)申请人海南师范大学地址571100海南省海口市龙昆南路99号(72)发明人吴淑雷赵雨辰王垚儒李城辉陈锦标臧焘赵宏伟付理想侯世闯张若昕(74)专利代理机构广州三环专利商标代理有限公司44202专利代理师文小花(51)Int.Cl.G06T7/73(2017.01)G06T7/136(2017.01)G06T7/11(2017.01)G06T7/194(2017.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于深度学习的火焰及烟雾识别方法(57)摘要本发明提供一种基于深度学习的火焰及烟雾识别方法，包括下列步骤：S101、获取待识别的静态图像；S102、使用基于第一分割规则的阈值分割法对所述静态图像进行第一前景分割，获得候选火焰区域；S103、使用基于第二分割规则的阈值分割法对所述静态图像进行第二前景分割，获得候选烟雾区域；S104、构建基于yolov5网络的深度学习模型，将所述候选火焰区域、候选烟雾区域分别输入所述深度学习模型中进行筛选，确定火焰和/或烟雾在所述静态图像中的具体位置。CN115830115ACN115830115A权利要求书1/2页1.一种基于深度学习的火焰及烟雾识别方法，其特征在于，包括下列步骤：S101、获取待识别的静态图像；S102、使用基于第一分割规则的阈值分割法对所述静态图像进行第一前景分割，获得候选火焰区域；S103、使用基于第二分割规则的阈值分割法对所述静态图像进行第二前景分割，获得候选烟雾区域；S104、构建基于yolov5网络的深度学习模型，将所述候选火焰区域、候选烟雾区域分别输入所述深度学习模型中进行筛选，确定火焰和/或烟雾在所述静态图像中的具体位置。2.根据权利要求1所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，使用基于第一分割规则的阈值分割法对所述静态图像进行第一前景分割，获得候选火焰区域，具体为：使用阈值分割法对所述静态图像进行分割，筛选出初步候选火焰区域；采用第一分割规则对初步候选火焰区域做进一步分割，筛选出候选火焰区域。3.根据权利要求2所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，所述第一规则包括：R(x,y)≥TR其中R(x，y)为像素点(x，y)的红色通道色值，G(x，y)为像素点(x，y)的绿色通道色值，B(x，y)为像素点(x，y)的蓝色通道色值，TrB＝|R(x,y)‑B(x,y)|，TBG＝|B(x,y)‑G(x,y)|，TRG＝|R(x,y)‑G(x,y)|，TR为差值图像二值化阈值，TR为红色通道的灰度阈值，Gray为灰度化阈值，Rw为R通道的加权阈值，Gw为G通道的加权阈值，Bw为B通道的加权阈值。4.根据权利要求3所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，对于初步候选火焰区域任一像素点(x，y)，其区域内的R、G、B通道色值均需要满足关于TRB、TBG、TRG的阈值要求；对于初步候选火焰区域内的高亮区域，其区域内的R通道分量需要满足关于TR的阈值要求；对于初步候选火焰区域内的低亮区域，需要将R、G、B三通道色值进行加权灰度化处理得到融合RGB三通道颜色特征的灰度化阈值。5.根据权利要求1所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，使用基于第二分割规则的阈值分割法对所述静态图像进行第二前景分割，获得候选烟雾区域，具体为：2CN115830115A权利要求书2/2页使用阈值分割法对所述静态图像进行分割，筛选出初步候选烟雾区域；采用第二分割规则对初步候选火焰区域做进一步分割，筛选出候选烟雾区域。6.根据权利要求5所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，所述第二分割规则具体为：式中，DRG表示红绿差分通道中的像素差分，DRB表示红蓝差分通道中的像素差分，DGB表示蓝绿差分通道中的像素差分，Tave表示平均灰度阈值。7.根据权利要求6所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，对于初步候选烟雾区域任一像素点(x，y)，其区域内的R、G、B通道色值均需要满足关于DRG、DRB、DGB的阈值要求；对于初步候选烟雾区域内的高亮度区域，其需要满足关于Tave的阈值要求。8.根据权利要求1‑7任一项所述的一种基于深度学习的火焰及烟雾识别方法，其特征在于，在所述深度度学习模型的训练以及分类过程，进行基于自助法方法的随机交叉验证。3CN115830115A说明书1/6页一种基于深度学习的火焰及烟