CN107180242A - 基于嵌入式***的消防安全隐患图像识别方法 - Google Patents
基于嵌入式***的消防安全隐患图像识别方法 Download PDFInfo
- Publication number
- CN107180242A CN107180242A CN201710378961.XA CN201710378961A CN107180242A CN 107180242 A CN107180242 A CN 107180242A CN 201710378961 A CN201710378961 A CN 201710378961A CN 107180242 A CN107180242 A CN 107180242A
- Authority
- CN
- China
- Prior art keywords
- image
- hidden danger
- information
- security against
- against fire
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于嵌入式***的消防安全隐患图像识别方法,包括如下步骤:S1正常图像信息获取,包括:S101图像获取;S102图像预处理;S2消防隐患识别:S201图像获取;S202图像预处理;S203隐患对比识别。本发明基于嵌入式***的消防安全隐患图像识别***是在嵌入式手持设备上,能够发现存在消防隐患的设备,及时提醒用户,保证消防安全。
Description
技术领域
本发明涉及消防安全领域,具体涉及一种基于嵌入式***的消防安全隐患图像识别方法。
背景技术
目前社会单位的消防安全检查工作,多数由管理人员巡查或检查完成,靠人工观察发现消防设施、设备等存在的问题。因为一些消防隐患不易被发现、区别出来,一些工作人员可能存在疏忽,一些隐患需专业知识才能鉴别等等,所以发明一套方便、通用、易用的消防安全隐患识别***是急需的。
发明内容
本发明的目的是针对现有技术中的不足,提供一种基于嵌入式***的消防安全隐患图像识别方法,能够快速安全的识别消防安全隐患。
为实现上述目的,本发明公开了如下技术方案:
基于嵌入式***的消防安全隐患图像识别方法,包括如下步骤:
S1正常图像信息获取,包括:
S101图像获取:由嵌入式手持设备拍摄获取消防设备的安全状态;
S102图像预处理:包括对图像灰度化、邻域灰度变化极值和神经网络的图像边缘的检测、滤波、区域特征强化内容;
S2消防隐患识别:
S201图像获取:由嵌入式手持设备拍摄获取待检测消防设备的状态;
S202图像预处理:包括对图像灰度化、邻域灰度变化极值和神经网络的图像边缘的检测、滤波、区域特征强化内容;
S203隐患对比识别:将检查图像特征与库存正常设备特征比对,识别出设备状态变化,判断是否存在隐患。
进一步的,所述步骤S1中,还设有步骤S103正常图像信息标注:将该图像所表示设备的正常信息内容与资产管理***中相应资产信息关联;
进一步的,所述步骤S2中,还设有步骤S204隐患信息提示:将该图像所代表的隐患与相应资产信息关联,提示用户消防安全隐患处理方法。
进一步的,所述步骤S203是利用多agent协同性和并行性蚁群算法,识别出消防设备及其状态,具体包括如下步骤:
1)现场采集消防设备的图片信息;
2)将现场设备图片与正常设备图片比对分析;
3)根据分析结果确定现场设备是否处于正常工作状态。
进一步的,所述步骤S102与S202中的图像的灰度化包括如下步骤:
采用加权平均法,将三个分量以不同的权值进行加权平均,按下式对RGB三分量进行加权平均能得到较合理的灰度图像:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)。
进一步的,所述步骤S102与S202中的邻域灰度变化极值包括如下步骤:
1)引入一个3×3的检测窗口扫描图像,考察其中心象素与其邻域象素的灰度变化的最大值;
2)设定适当的阈值将原始图像变换为二值边缘图像;
3)假定点(x,y)与其邻域灰度变化的最大值为max,阈值为T,二值图像相应点处的值为g(x,y),则其实现算法为:
进一步的,所述步骤S102与S202中的神经网络的图像边缘检测方法包括如下步骤:
1)用CCD摄像头来采集图像信息,在采集过程中改变摄像头方位采集最易出现畸变的图像,组成样本库;
2)将样本库中的图像信息输进电脑,对此进行模至数的转化,最终成为数字图像;
3)运用数字滤波处理数字图像信息,确保其间不存在噪音或是杂质类信息;
4)把样本图像数字信息输进神经网络中进行训练,使其生成图像识别神经网络***。
本发明公开的一种基于嵌入式***的消防安全隐患图像识别方法,具有以下有益效果:
本发明使用一种应用于嵌入式***的、基于图像识别的、消防安全隐患图像识别技术,根据不同的设备其安全状态、隐患状态的图像识别与比对,检查人员与管理人员能够快速准确的发现消防安全问题。
附图说明
图1是正常图像信息获取流程;
图2是消防隐患识别流程。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的核心是提供一种基于嵌入式***的消防安全隐患图像识别方法,能够快速安全的识别消防安全隐患。
请参见图1、图2。
基于嵌入式***的消防安全隐患图像识别方法,包括如下步骤:
S1正常图像信息获取,包括:
S101图像获取:由嵌入式手持设备拍摄获取消防设备的安全状态,图像为800*600分辨率,24位真彩色;
S102图像预处理:包括对图像灰度化、邻域灰度变化极值和神经网络的图像边缘的检测、滤波、区域特征强化等内容;
S2消防隐患识别:
S201图像获取:由嵌入式手持设备拍摄获取待检测消防设备的状态,根据***提示,对被检物进行拍摄,图像为800*600分辨率,24位真彩色;
S202图像预处理:包括对图像灰度化、邻域灰度变化极值和神经网络的图像边缘的检测、滤波、区域特征强化等内容;
S203隐患对比识别:将检查图像特征与库存正常设备特征比对,识别出设备状态变化,判断是否存在隐患。
在本发明的一种实施例中,所述步骤S1中,还设有步骤S103正常图像信息标注:将该图像所表示设备的正常信息内容与资产管理***中相应资产信息关联;
在本发明的一种实施例中,所述步骤S2中,还设有步骤S204隐患信息提示:将该图像所代表的隐患与相应资产信息关联,提示用户消防安全隐患处理方法。
在本发明的一种实施例中,所述步骤S203是利用多agent协同性和并行性蚁群算法,识别出消防设备及其状态,具体包括如下步骤:
1)现场采集消防设备的图片信息;
2)将现场设备图片与正常设备图片比对分析;
3)根据分析结果确定现场设备是否处于正常工作状态。
在本发明的一种实施例中,所述步骤S102与S202中的图像的灰度化包括如下步骤:
采用加权平均法,将三个分量以不同的权值进行加权平均,按下式对RGB三分量进行加权平均能得到较合理的灰度图像:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)。
在本发明的一种实施例中,所述步骤S102与S202中的邻域灰度变化极值包括如下步骤:
1)引入一个3×3的检测窗口扫描图像,考察其中心象素与其邻域象素的灰度变化的最大值;
2)设定适当的阈值将原始图像变换为二值边缘图像;
3)假定点(x,y)与其邻域灰度变化的最大值为max,阈值为T,二值图像相应点处的值为g(x,y),则其实现算法为:
在本发明的一种实施例中,所述步骤S102与S202中的神经网络的图像边缘检测方法包括如下步骤:
1)用CCD摄像头来采集图像信息,在采集过程中改变摄像头方位采集最易出现畸变的图像,组成样本库;
2)将样本库中的图像信息输进电脑,对此进行模至数的转化,最终成为数字图像;
3)运用数字滤波处理数字图像信息,确保其间不存在噪音或是杂质类信息;
4)把样本图像数字信息输进神经网络中进行训练,使其生成图像识别神经网络***。
本发明使用于消防安全检查与消防安全监督***FTP-01型消防智能终端。
相比背景技术中介绍的内容,本发明基于嵌入式***的消防安全隐患图像识别***是在嵌入式手持设备上,利用图像采集技术、数字图像处理技术、图像识别技术,发现存在消防隐患的设备,及时提醒用户,保证消防安全。
以上所述仅是本发明的优选实施方式,而非对其限制;应当指出,尽管参照上述各实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,其依然可以对上述各实施例所记载的技术方案进行修改,或对其中部分或者全部技术特征进行等同替换;而这些修改和替换,并不使相应的技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.基于嵌入式***的消防安全隐患图像识别方法,其特征在于,包括如下步骤:
S1正常图像信息获取,包括:
S101图像获取:由嵌入式手持设备拍摄获取消防设备的安全状态;
S102图像预处理:包括对图像灰度化、邻域灰度变化极值和神经网络的图像边缘的检测、滤波、区域特征强化内容;
S2消防隐患识别:
S201图像获取:由嵌入式手持设备拍摄获取待检测消防设备的状态;
S202图像预处理:包括对图像灰度化、邻域灰度变化极值和神经网络的图像边缘的检测、滤波、区域特征强化内容;
S203隐患对比识别:将检查图像特征与库存正常设备特征比对,识别出设备状态变化,判断是否存在隐患。
2.根据权利要求1所述的基于嵌入式***的消防安全隐患图像识别方法,其特征在于,所述步骤S1中,还设有步骤S103正常图像信息标注:将该图像所表示设备的正常信息内容与资产管理***中相应资产信息关联。
3.根据权利要求2所述的基于嵌入式***的消防安全隐患图像识别方法,其特征在于,所述步骤S2中,还设有步骤S204隐患信息提示:将该图像所代表的隐患与相应资产信息关联,提示用户消防安全隐患处理方法。
4.根据权利要求1所述的基于嵌入式***的消防安全隐患图像识别方法,其特征在于,所述步骤S203是利用多agent协同性和并行性蚁群算法,识别出消防设备及其状态,具体包括如下步骤:
1)现场采集消防设备的图片信息;
2)将现场设备图片与正常设备图片比对分析;
3)根据分析结果确定现场设备是否处于正常工作状态。
5.根据权利要求1所述的基于嵌入式***的消防安全隐患图像识别方法,其特征在于,所述步骤S102与S202中的图像的灰度化包括如下步骤:
采用加权平均法,将三个分量以不同的权值进行加权平均,按下式对RGB三分量进行加权平均能得到较合理的灰度图像:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)。
6.根据权利要求1所述的基于嵌入式***的消防安全隐患图像识别方法,其特征在于,所述步骤S102与S202中的邻域灰度变化极值包括如下步骤:
1)引入一个3×3的检测窗口扫描图像,考察其中心象素与其邻域象素的灰度变化的最大值;
2)设定适当的阈值将原始图像变换为二值边缘图像;
3)假定点(x,y)与其邻域灰度变化的最大值为max,阈值为T,二值图像相应点处的值为g(x,y),则其实现算法为:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo><</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
7.根据权利要求1所述的基于嵌入式***的消防安全隐患图像识别方法,其特征在于,所述步骤S102与S202中的神经网络的图像边缘检测方法包括如下步骤:
1)用CCD摄像头来采集图像信息,在采集过程中改变摄像头方位采集最易出现畸变的图像,组成样本库;
2)将样本库中的图像信息输进电脑,对此进行模至数的转化,最终成为数字图像;
3)运用数字滤波处理数字图像信息,确保其间不存在噪音或是杂质类信息;
4)把样本图像数字信息输进神经网络中进行训练,使其生成图像识别神经网络***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710378961.XA CN107180242A (zh) | 2017-05-25 | 2017-05-25 | 基于嵌入式***的消防安全隐患图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710378961.XA CN107180242A (zh) | 2017-05-25 | 2017-05-25 | 基于嵌入式***的消防安全隐患图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107180242A true CN107180242A (zh) | 2017-09-19 |
Family
ID=59831369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710378961.XA Pending CN107180242A (zh) | 2017-05-25 | 2017-05-25 | 基于嵌入式***的消防安全隐患图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180242A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229174A (zh) * | 2017-12-28 | 2018-06-29 | 陕西山利科技发展有限责任公司 | 基于云数据的安全隐患管理***及管理方法 |
CN109544850A (zh) * | 2018-10-25 | 2019-03-29 | 安徽含光软件开发有限公司 | 一种基于物联网的消防隐患判别方法 |
CN111274962A (zh) * | 2020-01-20 | 2020-06-12 | 广州燃气集团有限公司 | 一种燃气安全隐患数据的处理方法、***和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408459A (zh) * | 2014-10-27 | 2015-03-11 | 国家电网公司 | 电力设备监控中使用的图像识别方法 |
CN105868722A (zh) * | 2016-04-05 | 2016-08-17 | 国家电网公司 | 异常电力设备图像的识别方法及*** |
CN106250932A (zh) * | 2016-08-04 | 2016-12-21 | 上海华虹宏力半导体制造有限公司 | 一种扫描图像识别的方法及装置 |
-
2017
- 2017-05-25 CN CN201710378961.XA patent/CN107180242A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408459A (zh) * | 2014-10-27 | 2015-03-11 | 国家电网公司 | 电力设备监控中使用的图像识别方法 |
CN105868722A (zh) * | 2016-04-05 | 2016-08-17 | 国家电网公司 | 异常电力设备图像的识别方法及*** |
CN106250932A (zh) * | 2016-08-04 | 2016-12-21 | 上海华虹宏力半导体制造有限公司 | 一种扫描图像识别的方法及装置 |
Non-Patent Citations (3)
Title |
---|
LINA YANG ETAL.: ""Combining Multi-Agent and Ant Colony Optimization for Endmember Extraction"", 《IEEE》 * |
冯会真 等: ""基于神经网络的图像边缘检测方法"", 《中国计量学院学报》 * |
刘小平 等: ""基于蚁群智能的遥感影像分类新方法"", 《遥感学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229174A (zh) * | 2017-12-28 | 2018-06-29 | 陕西山利科技发展有限责任公司 | 基于云数据的安全隐患管理***及管理方法 |
CN109544850A (zh) * | 2018-10-25 | 2019-03-29 | 安徽含光软件开发有限公司 | 一种基于物联网的消防隐患判别方法 |
CN111274962A (zh) * | 2020-01-20 | 2020-06-12 | 广州燃气集团有限公司 | 一种燃气安全隐患数据的处理方法、***和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103763515B (zh) | 一种基于机器学习的视频异常检测方法 | |
CN104851086B (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN110945337A (zh) | 轮胎图像识别方法和轮胎图像识别装置 | |
CN108062542B (zh) | 被遮挡的人脸的检测方法 | |
CN106022209A (zh) | 一种基于人脸检测的距离估算和处理的方法及装置 | |
CN107944359A (zh) | 基于视频的火焰检测方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN105761261A (zh) | 一种检测摄像头遭人为恶意破坏的方法 | |
CN109635758A (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
CN107180242A (zh) | 基于嵌入式***的消防安全隐患图像识别方法 | |
CN109034038B (zh) | 一种基于多特征融合的火灾识别装置 | |
CN108009479A (zh) | 分布式机器学习***及其方法 | |
CN108109348A (zh) | 分级报警方法及装置 | |
CN111179202A (zh) | 一种基于生成对抗网络的单幅图像去雾增强方法和*** | |
CN113657143B (zh) | 一种基于分类和检测联合判决的垃圾分类方法 | |
CN105740752B (zh) | 敏感图片过滤方法和*** | |
CN106920266B (zh) | 验证码的背景生成方法和装置 | |
CN113989626B (zh) | 一种基于目标检测模型的多类别垃圾场景区分方法 | |
CN116573307A (zh) | 一种垃圾自动分类回收智能设备及其智能垃圾分类*** | |
CN106503740B (zh) | 图片分类方法及装置 | |
CN108229240A (zh) | 一种确定图像质量的方法及装置 | |
CN112364884A (zh) | 一种移动物体侦测的方法 | |
CN113691417A (zh) | 一种基于工业协议的工控信息监控***及方法 | |
CN109345788A (zh) | 一种基于视觉特征的监控预警*** | |
CN115641534A (zh) | 一种设备渗漏的图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |
|
RJ01 | Rejection of invention patent application after publication |