CN110009866A - 一种视频检测温度异常的方法 - Google Patents
一种视频检测温度异常的方法 Download PDFInfo
- Publication number
- CN110009866A CN110009866A CN201910265482.6A CN201910265482A CN110009866A CN 110009866 A CN110009866 A CN 110009866A CN 201910265482 A CN201910265482 A CN 201910265482A CN 110009866 A CN110009866 A CN 110009866A
- Authority
- CN
- China
- Prior art keywords
- refraction
- temperature anomaly
- oscillating quantity
- video detection
- flow vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000012530 fluid Substances 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 16
- 230000007423 decrease Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000033001 locomotion Effects 0.000 abstract description 13
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000000917 particle-image velocimetry Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
- G08B17/11—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means using an ionisation chamber for detecting smoke or gas
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
一种视频检测温度异常的方法,包括以下步骤:第一步:输入正常情况下和未知情况下拍摄的视频,并作高斯滤波等预处理;第二步:对两种情况分别计算摆动量;第三步:匹配摆动量分别计算两种情况下的折射流;第四步:采用非参数核密度估计的方法分别对正常和未知情况下的折射流场计算概率密度函数;第五步:采用贝叶斯判别的方法计算每一个点处的折射流为异常的概率。本发明检测温度的方法减少了报警时间的滞后,采用了火灾相对早期的特征,能够在出现烟雾和明火之前就产生警报,灵敏度高,当出现了与正常情况下有区别的折射流矢量时可立即被判别为异常,并且采用局部处理,根据场景中每个点的运动特征调整判别异常条件,可行性高且应用领域广泛。
Description
技术领域
本发明涉及视频安全监控技术领域,尤其是一种视频检测温度异常的方法。
背景技术
目前常用的火灾检测方法可以分为物理传感器检测方法和视频监控检测方法。物理传感器检测方法如烟雾报警器,需要在封闭房间内烟雾浓度达到一定程度时才能发出警报。视频监控检测方法利用视觉计算技术,通过视频检测烟雾或火焰颜色等火灾特征发出警报。上述两类方法在发出烟雾报警或失火报警时,留给消防人员处理的时间非常少。
易燃物起火前,其温度逐渐上升,然后易燃物开始产生烟雾,当温度达到易燃物燃点时,易燃物会出现明火。当易燃物温度上升时,其上方的局部空气温度随之上升,局部空气温度不断变化导致该区域空气折射率不断变化,当光线穿过折射率变化的局部空气时,其传播方向发生摆动,监控视频画面中出现局部区域像素随机摆动现象。
折射流体检测与可视化的方法可以分为两大类:在流场中掺入外来物质或注入能量的显示方法和光学显示测量方法。前者的外来物质和能量包括颜料、电子束、辉光放电等,通过这些物质的运动来体现流体的运动,称为粒子图像测速技术(Particle ImageVelocimetry,PIV)。这种方法需要人为设定实验条件,不适用于实时的自然场景监控。光学显示方法包括纹影干涉等技术,例如纹影摄影通过精确校准的光路放大折射流体对光线的偏折,又如背景纹影法(Background Oriented Schlieren,BOS)中,借助一个没有流体存在时的参考图像对照流体对背景的影响。光学显示方法的缺点为需要精密校准的的仪器,难以在实际场景中放置。针对该问题,在计算机视觉领域中出现了一些改进方法,通过摄像机来替代复杂的光学传感器测量,如S.扎米克,Y.伊扎克的“从湍流降质图像序列中估计湍流强度”中的方法,O.玻瑞特,J.沙比拉的“利用摄像机从光学湍流降质摆动感知切向风”等。
利用摄像机测量流体的基本思想是,当在流体中成像时,由于光线穿过不均匀的介质发生随机偏折,最终在图像中产生微小的摆动,因此会在静止的场景中检测到背景的运动。当场景中存在热源温度异常时,温度升高会导致局部的折射率分布不均匀,相当于形成了一个局部流体,检测热源温度异常的本质即为检测透过该局部流体成像时图像中产生的背景运动。常用的运动检测方法包括特征点跟踪、光流法等,然而光线在折射流体中传播时会产生模糊等降质,在图像中产生亮度起伏,与光流法的“亮度不变假设”相违背。一种有效的减少亮度起伏对运动检测影响的方法为将亮度特征映射到另一个特征空间,例如用薛天帆等的“基于折射摆动的流体流速和深度测量方法”中所描述的特征变换方法:计算亮度特征变化在图像中产生的摆动量,通过匹配摆动量得到代表流体运动的折射流矢量。为了降低传感器噪声引起的误判,计算出折射流矢量,就需设计一种利用监控视频检测热源温度异常的方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种采用普通视频监控相机实现的,通过检测热源温度异常时产生的折射流体而发出警报的方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种视频检测温度异常的方法,包括以下步骤:
第一步:输入正常情况下和未知情况下拍摄的视频,输入未知是否包含温度异常的图像序列I(x,y,t),进行高斯滤波对噪声进行平滑预处理,若在拍摄时引入了人工光源还需采用带阻滤波器消除工频干扰;
第二步:光流法计算图像中的摆动量v(x,y,t);
第三步:匹配相邻两帧之间的摆动量得到折射流矢量u(x,y,t);
第四步:对计算出的折射流根据光学湍流的统计特性进行筛选;
第五步:将符合流体特性的折射流所在区域标记为温度异常区域,对温度异常区域的折射流矢量采用Munsell(孟塞尔)颜色图编码显示。
优选的,所述的第二步中光流法计算公式为:
优选的,所述的第三步中利用摆动量守恒,通过匹配摆动量计算的折射流矢量u(x,y,t)为:
优选的,所述的第四步中在相邻的若干帧内,对每一个点处的摆动量偏度值skewness和峰度值kurtosis分别为:
对于符合偏度约等于0、峰度约等于3的点进一步对连通区域验证折射流矢量的空间分布,将连通区沿竖直方向平均分为三部分,分别计算每一部分折射流矢量大小的均值,若满足递减规律则可判定为温度异常区域。
优选的,所述的视频检测温度异常的方法在具体实施时所需的设备为普通的Xiaoyi2家用监控摄像机,所述的Xiaoyi2家用监控摄像机的物理参数为:有效像素为1080(H)×720(V),帧率为25fps,镜头规格为F2.0大光圈,130°广角。
本发明的优点和积极效果是:
本发明检测温度的方法与现有的预防火灾的方法相比,减少了报警时间的滞后,采用了火灾相对早期的特征,能够在出现烟雾和明火之前就产生警报,灵敏度高,当出现了与正常情况下有区别的折射流矢量时可立即被判别为异常,并且采用局部处理,根据场景中每个点的运动特征调整判别异常的条件,可行性高且应用领域广泛,已经成功在室内场景中得到了检测结果,可以进一步推广到森林防火、无人监管仓库等应用中。
附图说明
图1是本发明的视频检测温度异常的流程示意图;
图2是本发明的折射流几何模型的示意图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
如图1和2所示,本发明所述的一种视频检测温度异常的方法步骤如下:
步骤一:输入正常情况下和未知情况下拍摄的视频,并作高斯滤波等预处理,输入未知是否包含温度异常的图像序列I(x,y,t),进行高斯滤波对噪声进行平滑预处理,若在拍摄时引入了人工光源还需采用带阻滤波器消除工频干扰;
步骤二:对两种情况分别计算摆动量,采用光流法计算摆动量特征v(x,y,t):
步骤三:匹配摆动量分别计算两种情况下的折射流,利用摆动量守恒,通过匹配摆动量计算折射流矢量u(x,y,t):
步骤四:采用非参数核密度估计的方法分别对正常和未知情况下的折射流场计算概率密度函数,在相邻的若干帧内,对每一个点处的摆动量计算偏度和峰度:
对于符合偏度约等于0、峰度约等于3的点进一步对连通区域验证折射流矢量的空间分布,将连通区沿竖直方向平均分为三部分,分别计算每一部分折射流矢量大小的均值,若满足递减规律则可判定为温度异常区域;
步骤五:采用贝叶斯判别的方法计算每一个点处的折射流为异常的概率,将符合流体特性的折射流所在区域标记为温度异常区域,对温度异常区域的折射流矢量采用Munsell颜色图编码显示。
此外,上述的折射流计算是通过折射流体中成像时背景产生的偏移量反演出流体运动信息的方法。由于常用于检测运动的光流法受到亮度起伏的影响,折射流计算将亮度特征转化到其他的特征空间。
假设在摄像机与背景之间存在一个单层的折射流体,成像几何关系如附图2中所示。假设在[t,t+Δt]时间间隔内折射场的形状和温度不变,只有不规则的小折射体的运动导致折射场的改变。假设在t时刻成像平面某一点的位置为xt,对应流体表面的位置为x't,对应在背景上的位置为x”t。这些平面的深度分别为z、z'和z”。相机的中心记为o。令αt和α't分别为光线与从相机中心到成像面和背景之间的夹角。
随着流体从ti时刻(实线位置)运动到ti+Δt时刻(虚线位置),背景上的某一个点在成像平面上从一个位置移动到了另一个位置,产生了可以观察到的摆动量v(ti)。“摆动量守恒”的概念为,如果一个流体在很短的时空窗内以匀速移动,则在连续帧内对应的摆动特征也随流体移动。我们用附图2中t1和t2时刻的摆动量证明摆动量守恒。
当αt很小的时候:
tanαt≈αt=(xt-oj)/z=(x′t-oj)/z′ (1)
根据Snell定律,可将折射角近似为一阶加项:
α′t=αt+Δαt (2)
再利用折射角部分的几何关系,投影到背景上的点为:
x″t=x′t+(z″-z′)(αt+Δαt) (3)
由于x′t+Δt-x′t与成像面上的摆动量满足相似三角形的关系,通过证明x′t+Δt-x′t为常数即可证明摆动量不变的假设。
利用(3)的守恒:
x′t+Δt+(z″-z′)(αt+Δt+Δαt+Δt)=x′t+(z″-z′)(αt+Δαt)
移项:
x′t+Δt-x′t=-(z″-z′)(αt+Δt-αt)-(z″-z′)(Δαt+Δt-Δαt) (4)
根据式(1):
将(5)代入(4)并移项,即可推出
由于假设加项仅与流体局部表面性质有关,与入射角或视场都无关,因此式(6)说明x′t+Δt-x′t为常数,即“摆动量不变”成立。折射流计算时通过匹配摆动量替代光流法中匹配亮度来计算折射流。
折射流统计特性分析是在没有温度异常的区域理论上应该检测不到折射流的存在,然而由于受到传感器噪声的影响以及优化方法的限制,即使在不存在热源的区域也会计算出干扰的矢量,这些干扰会造成虚假警报。为了防止噪声引起的错误判别,我们借助光学湍流的先验知识对计算出的折射流矢量进行筛选。折射流应同时符合光学湍流的空间和时间统计特性,其中前者主要满足Richardson级串方法,后者主要验证折射流矢量水平和竖直分量大小随时间是否满足高斯分布。
温度异常引起的折射流体可以看作由不同尺度涡旋组成的湍流,因此可以采用Richardson级串方法对流体的空间统计特性进行分析。Richardson级串的思想是湍流内部存在不同大小的涡旋和能量传递,大涡旋从外界吸收能量并将能量传递给小涡旋,最终完全耗散。对于热源产生的流体,假设靠近热源处的流体为大涡旋,则随着远离热源涡旋尺度递减,能量也由最接近热源处随着远离热源传递并耗散。按照该特性,在折射流的连通区域内,应满足在靠近热源部分的折射流矢量幅值的平均值大于远离热源部分折射流矢量幅值的平均值。
在光学湍流的研究和仿真中,人们通常假设并实验验证湍流成像时图像中的偏移量满足高斯随机场,该理论可以用于验证流体的时间统计特性。由于折射流本身的参数未知,很难通过利用均值和方差拟合出的模型与高斯分布对比。对此,可以采用高斯分布的高阶矩特性,即高斯分布偏度为0、峰度为3的统计特性,对每一个点处用相邻若干帧计算出的摆动量计算偏度和峰度的统计量并于高斯分布对比,提取有效的折射流区域。
本发明检测温度的方法与现有的预防火灾的方法相比,减少了报警时间的滞后,采用了火灾相对早期的特征,能够在出现烟雾和明火之前就产生警报,灵敏度高,当出现了与正常情况下有区别的折射流矢量时可立即被判别为异常,并且采用局部处理,根据场景中每个点的运动特征调整判别异常的条件,可行性高且应用领域广泛,已经成功在室内场景中得到了检测结果,可以进一步推广到森林防火、无人监管仓库等应用中。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种视频检测温度异常的方法,其特征在于,包括以下步骤:
第一步:输入正常情况下和未知情况下拍摄的视频,输入未知是否包含温度异常的图像序列I(x,y,t),进行高斯滤波对噪声进行平滑预处理,若在拍摄时引入了人工光源还需采用带阻滤波器消除工频干扰;
第二步:光流法计算图像中的摆动量v(x,y,t);
第三步:匹配相邻两帧之间的摆动量得到折射流矢量u(x,y,t);
第四步:对计算出的折射流根据光学湍流的统计特性进行筛选;
第五步:将符合流体特性的折射流所在区域标记为温度异常区域,对温度异常区域的折射流矢量采用Munsell(孟塞尔)颜色图编码显示。
2.根据权利要求1所述的一种视频检测温度异常的方法,其特征在于:所述的第二步中光流法计算公式为:
3.根据权利要求1所述的一种视频检测温度异常的方法,其特征在于:所述的第三步中利用摆动量守恒,通过匹配摆动量计算的折射流矢量u(x,y,t)为:
4.根据权利要求1所述的一种视频检测温度异常的方法,其特征在于:所述的第四步中在相邻的若干帧内,对每一个点处的摆动量偏度值skewness和峰度值kurtosis分别为:
对于符合偏度约等于0、峰度约等于3的点进一步对连通区域验证折射流矢量的空间分布,将连通区沿竖直方向平均分为三部分,分别计算每一部分折射流矢量大小的均值,若满足递减规律则可判定为温度异常区域。
5.根据权利要求1所述的一种视频检测温度异常的方法,其特征在于:所述的视频检测温度异常的方法在具体实施时所需的设备为普通的Xiaoyi2家用监控摄像机,所述的Xiaoyi2家用监控摄像机的物理参数为:有效像素为1080(H)×720(V),帧率为25fps,镜头规格为F2.0大光圈,130°广角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265482.6A CN110009866A (zh) | 2019-04-03 | 2019-04-03 | 一种视频检测温度异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910265482.6A CN110009866A (zh) | 2019-04-03 | 2019-04-03 | 一种视频检测温度异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009866A true CN110009866A (zh) | 2019-07-12 |
Family
ID=67169636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910265482.6A Pending CN110009866A (zh) | 2019-04-03 | 2019-04-03 | 一种视频检测温度异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009866A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677444A (zh) * | 2005-02-01 | 2005-10-05 | 珠海金山软件股份有限公司 | 一种实时三维图像处理装置 |
CN101339602A (zh) * | 2008-07-15 | 2009-01-07 | 中国科学技术大学 | 一种基于光流法的视频火灾烟雾图像识别方法 |
CN101413887A (zh) * | 2007-05-29 | 2009-04-22 | 中国科学院安徽光学精密机械研究所 | 光纤大气湍流折射率起伏测量仪 |
CN103267969A (zh) * | 2013-04-25 | 2013-08-28 | 中国科学院安徽光学精密机械研究所 | 基于激光光柱的成像激光雷达测量大气光学湍流廓线的方法 |
CN103413321A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 地理环境下的群体行为模式分析与异常行为检测方法 |
US20150016690A1 (en) * | 2013-05-15 | 2015-01-15 | Massachusetts Institute Of Technology | Methods and apparatus for refractive flow measurement |
CN107274432A (zh) * | 2017-06-10 | 2017-10-20 | 北京航空航天大学 | 一种基于视觉显著性和深度自编码的公共场景智能视频监控方法 |
CN108197586A (zh) * | 2017-12-12 | 2018-06-22 | 北京深醒科技有限公司 | 脸部识别方法和装置 |
US20180246137A1 (en) * | 2017-02-28 | 2018-08-30 | King Abdullah University Of Science And Technology | Rainbow Particle Imaging Velocimetry for Dense 3D Fluid Velocity Imaging |
-
2019
- 2019-04-03 CN CN201910265482.6A patent/CN110009866A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677444A (zh) * | 2005-02-01 | 2005-10-05 | 珠海金山软件股份有限公司 | 一种实时三维图像处理装置 |
CN101413887A (zh) * | 2007-05-29 | 2009-04-22 | 中国科学院安徽光学精密机械研究所 | 光纤大气湍流折射率起伏测量仪 |
CN101339602A (zh) * | 2008-07-15 | 2009-01-07 | 中国科学技术大学 | 一种基于光流法的视频火灾烟雾图像识别方法 |
CN103267969A (zh) * | 2013-04-25 | 2013-08-28 | 中国科学院安徽光学精密机械研究所 | 基于激光光柱的成像激光雷达测量大气光学湍流廓线的方法 |
US20150016690A1 (en) * | 2013-05-15 | 2015-01-15 | Massachusetts Institute Of Technology | Methods and apparatus for refractive flow measurement |
CN103413321A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 地理环境下的群体行为模式分析与异常行为检测方法 |
US20180246137A1 (en) * | 2017-02-28 | 2018-08-30 | King Abdullah University Of Science And Technology | Rainbow Particle Imaging Velocimetry for Dense 3D Fluid Velocity Imaging |
CN107274432A (zh) * | 2017-06-10 | 2017-10-20 | 北京航空航天大学 | 一种基于视觉显著性和深度自编码的公共场景智能视频监控方法 |
CN108197586A (zh) * | 2017-12-12 | 2018-06-22 | 北京深醒科技有限公司 | 脸部识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
LINYAN CUI 等: "Modified anisotropic turbulence refractive-index fluctuations spectral model and its application in moderate-to-strong anisotropic turbulence", 《JOURNAL OF THE OPTICAL SOCIETY OF AMERICA A》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garg et al. | Vision and rain | |
CN106845443B (zh) | 基于多特征融合的视频火焰检测方法 | |
CN103761826B (zh) | 一种热成像视频双鉴林火识别***的识别方法 | |
CN105512667B (zh) | 红外和可见光视频图像融合识别火灾的方法 | |
CN100459704C (zh) | 基于全方位计算机视觉的智能隧道安全监控装置 | |
US7292338B2 (en) | Particle detection apparatus and particle detection method used therefor | |
CN110135269A (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
CN105336085A (zh) | 一种基于图像处理技术的远程大空间火灾监测报警方法 | |
JP2008519965A (ja) | 粒子検出器、システムおよび方法 | |
JP2008057968A (ja) | ダクトにハウジングを取り付ける方法およびハウジング機構 | |
CN109598700A (zh) | 采用卷积神经网络的早期火灾检测方法 | |
CN107750326A (zh) | 检测高压输气管道中液体的存在 | |
CN114386493A (zh) | 基于火焰视觉虚化性的火灾检测方法、***、装置及介质 | |
Maynard et al. | A physical model for flame height intermittency | |
CN110009863A (zh) | 一种立式双光路感烟探测迷宫及其探测方法 | |
Patterson et al. | The relation between visibility and the size-number distribution of airborne soil particles | |
Widmann | Phase Doppler interferometry measurements in water sprays produced by residential fire sprinklers | |
CN109001217A (zh) | 一种手机外壳缺陷的检测方法及检测装置 | |
Cauteruccio et al. | Wind tunnel validation of a particle tracking model to evaluate the wind‐induced bias of precipitation measurements | |
CN108519495A (zh) | 一种用于测量叶轮机械内部流场速度的装置及方法 | |
Lee et al. | A wind tunnel study of natural ventilation for multi–span greenhouse scale models using two–dimensional particle image velocimetry (PIV) | |
CN110009866A (zh) | 一种视频检测温度异常的方法 | |
CN109658359A (zh) | 大气悬浮物检测***及其检测方法 | |
Ho et al. | Nighttime fire smoke detection system based on machine vision | |
CN110009864A (zh) | 一种立式多光路双向散射感烟探测器迷宫 |
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: 20190712 |
|
RJ01 | Rejection of invention patent application after publication |