CN110070106A - 烟雾检测方法、装置及电子设备 - Google Patents
烟雾检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110070106A CN110070106A CN201910236445.2A CN201910236445A CN110070106A CN 110070106 A CN110070106 A CN 110070106A CN 201910236445 A CN201910236445 A CN 201910236445A CN 110070106 A CN110070106 A CN 110070106A
- Authority
- CN
- China
- Prior art keywords
- video
- classification
- classification results
- processing
- obtains
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 166
- 238000012545 processing Methods 0.000 claims abstract description 134
- 239000000779 smoke Substances 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 48
- 238000013473 artificial intelligence Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 24
- 239000003595 mist Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 36
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 235000019504 cigarettes Nutrition 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Emergency Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种烟雾检测方法、装置及电子设备，涉及图像检测领域，包括：获取烟雾检测视频；对烟雾检测视频进行预处理，得到处理视频，处理视频包括多个处理帧；根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果；当第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对多个处理帧进行多帧分类运算，得到第二分类结果；当第二分类结果包括第一判断结果时，输出第一判断结果。实施这种实施方式，能够提高烟雾检测的精度，降低烟雾检测的报错率，从而提高泛用性。
Description
技术领域
本申请涉及图像检测技术领域，具体而言，涉及一种烟雾检测方法、装置及电子设备。
背景技术
目前，现有技术通常会使用机器学习的方法来对烟雾区域进行检测和分类，是因为该类方法能够通过人工定义的特征对视频序列进行烟雾检测和分类，并且具有运算速度快和检测效率高的特点。然而，在实践中发现，上述通过人工定义特征的方法对烟雾检测的精度比较低，并且使用该种方法还会存在大量误报的情况，这就使得目前的烟雾检测方法在复杂场景中很难被应用，缺少泛用性。
发明内容
本申请实施例的目的在于提供一种烟雾检测方法、装置及电子设备，用以解决烟雾检测的精度低，烟雾检测存在大量误报，泛用性低的问题。
本申请实施例提供了一种烟雾检测方法，包括：
获取烟雾检测视频；
对所述烟雾检测视频进行预处理，得到处理视频，所述处理视频包括多个处理帧；
根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果；
当所述第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对所述多个处理帧进行多帧分类运算，得到第二分类结果；
当所述第二分类结果包括所述第一判断结果时，输出所述第一判断结果。
在上述实现过程中，可以优先获取待检测的视频序列，并完成对视频序列的预处理，得到处理视频；在得到处理视频之后，根据第一人工智能算法对处理视频进行单帧分类处理，以完成初步烟雾判断，再进一步根据第二人工智能算法对处理视频进行多帧分类处理，以完成精准烟雾判断，从而得到精度较高的烟雾第一判断结果，并在最后输出该结果，以使相关的操作人员得知检测结果。可见，实施这种实施方式，可以有效的提高烟雾检测的检测精度，并且可以通过二次检测大大降低报错的概率，从而使得该烟雾检测方法在实践中具有更广泛的用处。
进一步地，所述对所述烟雾检测视频进行预处理，得到处理视频的步骤包括：
根据预设尺寸对所述烟雾检测视频进行中的每个图像帧尺寸调整，得到调整后的调整视频；
根据预设检测方式对所述调整视频进行视频帧的抽取，并以抽取的所述视频帧为依据获取运动检测视频；
判断所述运动检测视频中是否存在运动物体；
若所述运动检测视频中存在所述运动物体时，在所述运动检测视频中对所述运动物体的轮廓边缘进行提取，得到处理视频。
在上述实现过程中，优先根据画面大小对检测视频进行画面调整预处理，得到与想要的画面相同大小的检测视频，并对该得到的检测视频进行运动区域检测，得到运动检测视频；根据运动检测视频判断该运动检测视频是否真实，并在运动检测视频真实的情况下(存在运动物体的情况下)，对该运动检测视频进行运动物体的轮廓边缘提取处理，得到处理视频。实施这种实施方式，可以将预处理的过程进行细化，从而使得该处理视频的内容更加精确，进而使得后续的检测过程因为统一规格而更加流畅，还可以避免因为格式、大小不统一而造成的精度问题。
进一步地，所述第一人工智能算法对应的第一人工智能模型包括五个卷积层、第一全连接层以及第一分类层；其中，所述根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果的步骤包括：
根据所述五个卷积层对所述每个处理帧进行卷积运算，得到第一图像特征组；
根据所述第一全连接层对所述第一图像特征组进行数据处理，得到第一特征向量组；
根据所述第一分类层对所述第一特征向量组进行分类，得到所述第一分类结果。
在上述实现过程中，限定了第一人工智能算法的内部结构，并且具体限定了第一人工智能算法是如何对处理视频并得到第一分类结果的。可见，实施这种实施方式，可以细化对处理视频进行处理得到第一分类结果的具体过程，并且还可以确定第一人工智能模型的具体结构，从而使得处理视频可以通过该结构得到准确的第一分类结果，进而提高第一分类结果的分类准确性；同时，该过程是在进行单帧检测，也就是说，在该过程中其检测范围更大，效果更好，精确度也较高。
进一步地，所述第一分类层包括第一损失函数；其中，在所述根据所述第一分类层对所述第一特征向量组进行分类，得到第一分类结果的步骤之后，所述方法还包括：
根据所述第一损失函数对所述第一分类结果进行计算，得到第一差异值；
根据所述第一差异值和预设的随机梯度下降算法更新所述第一分类层包括的分类参数。
在上述实现过程中，该方法中第一分类层包括第一损失函数以及分类参数，该第一损失函数是固定好的，用于计算相应数值，并调整第一分类层中包括分类参数(该分类参数与第一损失函数并不相关)，其中，该分类参数用于提高第一分类层的分类精度。可见，可以将与训练过程类似的步骤应用与实际检测当中，实现实际检测的结果负反馈，从而可以使得该模型能够进行自主迭代，从而自主优化其分类精度。
进一步地，所述第二人工智能算法对应的第二人工智能模型包括三个卷积层、第二全连接层以及第二分类层；其中，所述根据第二人工智能算法对所述多个处理帧进行多帧分类运算，得到第二分类结果的步骤包括：
根据所述三个卷积层对所述多个处理帧分别进行卷积运算，得到第二图像特征组；
根据所述第二全连接层对所述第二图像特征组进行数据处理，得到第二特征向量组；
根据所述第二分类层对所述第二特征向量组进行分类，得到所述第二分类结果。
在上述实现过程中，限定了第二人工智能算法的内部结构，并且具体限定了第二人工智能算法是如何对处理视频并得到第二分类结果的。可见，实施这种实施方式，可以细化对处理视频进行处理得到第二分类结果的具体过程，并且还可以确定第二人工智能模型的具体结构，从而使得处理视频可以通过该结构得到准确的第二分类结果，进而提高第二分类结果的分类准确性；同时，该过程是在进行多帧检测，也就是说，在该过程中其检测精度更高，效果更好，可以有效地对烟雾实行高精度的检测；并且，该过程可以作为二次检测存在，以使一次检测之后得到的检测结果中存在烟雾的时候实现高精度的判断，从而实现烟雾检测整体判断的精准性的提高，进而使得该种高精度的方法可以适用在各种环境之下，提高其普适性。
进一步地，所述第二分类层包括第二损失函数；其中，在所述根据所述第二分类层对所述第二特征向量组进行分类，得到第二分类结果的步骤之后，所述方法还包括：
根据所述第二损失函数对所述第二分类结果进行计算，得到第二差异值；
根据所述第二差异值和预设的随机梯度下降算法更新所述第二分类层包括的分类参数。
在上述实现过程中，该方法中第二分类层包括第二损失函数以及分类参数，该第二损失函数是固定好的，用于计算相应数值，并调整第二分类层中包括的分类参数(该分类参数与第二损失函数并不相关)，其中，该分类参数用于提高第二分类层的分类精度。可见，实施这种实施方式，可以将与训练过程类似的步骤应用与实际检测当中，实现实际检测的结果负反馈，从而可以使得该模型能够进行自主迭代，从而自主优化其分类精度。
进一步地，所述方法还包括：
当所述第二分类结果不包括所述第一判断结果时，输出用于表示无烟雾的第二判断结果。
在上述实现过程中，在第二分类结果判断出不存在烟雾的时候，也发出不存在烟雾的提示信息，以使检测人员或其他检测设备也得知该信息，从而进行相应的举措。可见，实施这种实施方式，可以提高该方法的全面性，从而有效地使该方法适用于各种不同的场景之下，进而提高该方法的普适性。
本申请实施例第二方面提供了一种烟雾检测装置，所述烟雾检测装置包括：
获取单元，用于获取烟雾检测视频；
预处理单元，用于对所述烟雾检测视频进行预处理，得到处理视频；所述处理视频包括多个处理帧；
第一分类单元，用于根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果；
第二分类单元，用于在所述第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对所述多个处理帧进行多帧分类运算，得到第二分类结果；
输出单元，用于当所述第二分类结果包括所述第一判断结果时，输出所述第一判断结果。
在上述实现过程中，使用该种烟雾检测装置可以优先获取待检测的视频序列，并完成对视频序列的预处理，得到处理视频；在得到处理视频之后，根据第一人工智能算法对处理视频进行单帧分类处理，以完成初步烟雾判断，再进一步根据第二人工智能算法对处理视频进行多帧分类处理，以完成精准烟雾判断，从而得到精度较高的烟雾第一判断结果，并在最后输出该结果，以使相关的操作人员得知检测结果。可见，实施这种实施方式，可以有效的提高烟雾检测的检测精度，并且可以通过二次检测大大降低报错的概率，从而使得该烟雾检测方法在实践中具有更广泛的用处。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据本申请实施例第一方面中任一项所述的烟雾检测方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的烟雾检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种烟雾检测方法的流程示意图；
图2为本申请实施例提供的另一种烟雾检测方法的流程示意图；
图3为本申请实施例提供的一种烟雾检测装置的结构示意图；
图4为本申请实施例提供的一种视频调整的示意图；
图5为本申请实施例提供的一种第一人工智能模型的训练过程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种烟雾检测方法的流程示意图。其中，该烟雾检测方法包括：
S101、获取烟雾检测视频。
本实施例中，烟雾检测视频可以理解为连续视频序列图像帧，并且在后续的处理过程中皆是以烟雾检测视频为基础，对连续视频序列图像帧中的每帧进行处理的。
本实施例中，烟雾检测视频可以是实时检测的，也可以是用户在他时输入的，对此本实施例中不作任何限定。
本实施例中，烟雾检测视频是用于检测是否存在烟雾的，并非该烟雾检测视频中一定存在烟雾。
S102、对烟雾检测视频进行预处理，得到处理视频，处理视频包括多个处理帧。
本实施例中，处理视频距离可以理解为烟雾检测视频中，存在运动物体的运动物体视频。其中，处理视频包括多个处理帧，该处理帧是处理视频中的。
作为一种可选的实施方式，对烟雾检测视频进行预处理，得到处理视频，处理视频包括多个处理帧的步骤包括：
对烟雾检测视频进行尺寸预处理，得到尺寸预处理视频；
对尺寸预处理视频进行运动物体边缘处理，得到处理视频，该处理视频包括多个处理帧。
实施这种实施方式，可以将预处理的过程细化为尺寸预处理和运动物体边缘预处理两步，可见，通过上述两个步骤进行预处理，可以使得预处理结果更加统一，从而可以避免由于图像不统一而造成的处理偏差，进而可以使得该预处理的过程更加严谨，使得预处理得到的预处理结果更加准确，并且还可以使得该与处理结果的获取效率更高。而在这其中，运动物体边缘预处理的步骤可以进一步细化得到的预处理结果，从而使得上述的效果更加明显。
本实施例中，在获取处理视频的过程中，可以先在烟雾检测视频中建立两个图片帧缓存队列Q1、Q2，其中，示例性的，缓存队列Q1可以每隔2帧缓存一帧图像帧，缓存队列Q2可以每隔20帧缓存一帧图像帧；并在Q1或Q2缓存的图像帧数大于8时，从对应的队列中提取前8帧图像帧作为该处理视频，同时，将该8帧图像帧从对应的缓存队列中删除。
举例来说，当烟雾检测视频(也可以为上述尺寸预处理视频)具有20帧时，Q1队列中存储有10帧图片，Q2队列中存储有1帧图片，在这其中，获取Q1队列中10帧图片中的前八帧，组成上述尺寸预处理视频，以使边缘处理的对象为该八帧的尺寸预处理视频，并完成后续的步骤。
S103、根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果。
本实施例中，第一人工智能算法可以为神经网络构成的人工智能算法，其处理对象是上述处理视频中的每个处理帧，并且处理方法是单帧的分类运算处理，并在最后得到相应的单帧处理结果即第一分类结果，该第一分类结果用于表示其检测的单帧图像中是否存在烟雾。
本实施例中，应用第一人工智能算法对应的模型为单帧分类模型，并且使用该为单帧分类模型预测结果步骤包括：对处理视频(该处理视频可以具体理解为上述运动检测中输出的结果矩阵)，对该处理视频(结果矩阵)进行遍历，截取处理视频(结果矩阵)内的图像，并将这八张图片分别使用单帧分类模型(可以由神经网络构成)进行推导，得到第一分类结果。在该第一分类结果中，只要八张图片中有任何一张图片存在烟雾图像时，将该处理视频(结果矩阵)和上述八张图像进行输出。如果八张图片中没有任何一张图片存在烟雾图像时，则输出无烟的结果。
S104、当第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对多个处理帧进行多帧分类运算，得到第二分类结果。
本实施例中，该第一判断结果是用于表示烟雾存在的。
本实施例中，第二人工智能算法可以为神经网络构成的人工智能算法，其处理对象是上述处理视频中的所有处理帧，并且处理方法是多帧的分类运算处理，并在最后得到相应的整体分类结果即第二分类结果，该第二分类结果用于表示其检测的处理视频(多帧图像)中是否真正存在烟雾。
本实施例中，应用第二人工智能算法对应的人工智能模型(可以理解为多帧分类模型)预测结果，对上述第一分类结果附加的处理视频(结果矩阵)和上述八张图片进行提取，并将这八张图片按照块由神经网络组成的多帧分类模型进行推导，输出第二分类结果，该第二分类结果用于判断处理视频中有烟雾还是无烟雾。
S105、当第二分类结果包括第一判断结果时，输出第一判断结果。
本实施例中，第二分类结果中可以理解为多帧图像(即处理视频)的分类结果(该分类结果可以包括有烟雾、无烟雾甚至于淡烟雾、浓烟雾等)，并且当第二分类结果为有烟雾的分类结果时，即可以理解为第二分类结果包括上述第一判断结果(第一判断结果用于表示烟雾存在)，此时再输出有烟雾的第一判断结果。
本实施例中，步骤S101～步骤S105的方法主要分为视频获取、视频预处理(包括运动区域检测)、单帧图像分类、多帧图像分类以及结果输出的几个步骤。可见，该方法可以理解为是一种针对视频序列的实时检测方法，其中，该方法可以解决现有技术对视频序列进行实时检测时检测精度低、运算速度慢的问题。
本实施例中，该方法与现有基于视频序列分析的两类烟雾检测算法具有比较大差异，其中，第一类烟雾检测算法是使用传统机器学习方法对烟雾区域进行检测和分类，该类方法通过人工定义的特征对视频序列进行运动区域检测和分类，具有运算速度快的特点，但是该种方法使用的人工定义特征的方式在实际应用中分类精度比较低，存在大量误报和错报的情况，难以应用到复杂场景；第二类烟雾检测算法是使用神经网络方法对视频序列进行分类，该类方法使用神经网络从训练样本中自动提取烟雾特征并进行学习，具有分类精度高的特点，但是该种使用神经网络的方式在进行分类运算时速度较慢，难以达到视频实时检测的要求。可见，本实施例中所描述的这种方法技能应用到复杂场景，也可以实现实时检测，所以本实施例中所描述的这种方法具有较高的精度与普适性。
如图1所示，实施图1所描述的烟雾检测方法，能够优先获取烟雾检测视频，并根据该烟雾检测视频进行相应的预处理，得到处理视频；在此之后，根据该处理视频进行第一步烟雾检测粗分类，在进行第二步烟雾检测细分类，从而得到二次分类对应的第二分类结果，并根据该第二分类结果输出结果信息。可见，实施这种实施方式，可以通过预处理的步骤提高该方法的普适性，还可以通过二次检测分类提高烟雾检测的精度，并降低报错率，从而使得最后输出的结果信息具有非常高的可信度，进而使得该方法可以适用于更多的场景，提高了烟雾检测的普适性。
实施例2
请参看图2，图2为本申请实施例提供的另一种烟雾检测方法的流程示意图。图2所描述的烟雾检测方法的流程示意图是根据图1所描述的烟雾检测方法的流程示意图进行改进得到的。其中，该烟雾检测方法包括：
S201、获取烟雾检测视频。
本实施例中，对于相同的解释说明可以参考其他实施例，对此本实施例中不再多加赘述。
本实施例中，烟雾检测视频是用于判断是否存在烟雾的检测视频。
本实施例中，“视频”一次用于表示被处理的对象，在这其中，虽然具体处理过程中处理对象应是每个视频的图像帧，但是在处理完成之后，图像帧仍旧可以组成视频(只是该视频的帧率比正常帧率要低)，因此此处称之为“视频”。
本实施例中，烟雾检测视频对应的是图像帧，处理视频对应的是处理帧，运动检测视频对应的是视频帧。
S202、根据预设尺寸对烟雾检测视频中的每个图像帧进行尺寸调整，得到调整后的调整视频。
本实施例中，预设尺寸可以理解为分辨率也可以理解为物理尺寸，对此本实施例中不作任何限定。
举例来说，在输入烟雾检测视频(可以理解为连续视频序列图像帧)之后，首先对对该烟雾检测视频中每个图像帧进行纯黑色背景边缘填充，使得每个图像帧长宽比为16：9，从而使得烟雾检测视频的长宽比为16：9；然后再将图像分辨率缩放到1280*720，从而使得烟雾检测视频整体被调整为调整视频。
请参阅图4，如图4所示，对烟雾检测视频进行调整得到调整视频的示意图可以直观地看出调整视频的获取过程。
S203、根据预设检测方式对调整视频进行视频帧的抽取，并以抽取的所述视频帧为依据获取运动检测视频。
本实施例中，运动区域检测是对调整视频中是否存在运动物体的检测。其中，该运动检测视频是用于检测是否真正存在运动物体的检测视频。
本实施例中，在获取调整视频的过程中，可以先在调整视频中建立两个图片帧缓存队列Q1、Q2，示例性的，缓存队列Q1可以每隔2帧缓存一帧图像帧，缓存队列Q2可以每隔20帧缓存一帧图像帧；并在Q1或Q2缓存的图像帧数大于8时，从对应的队列中提取前8帧图像帧作为处理视频，同时，将该8帧图像帧从对应的缓存队列中删除。
举例来说，当调整视频具有20帧时，Q1队列中存储有10帧图片，Q2队列中存储有1帧图片，在这其中，获取Q1队列中10帧图片中的前八帧，组成上述尺寸预处理视频，以使边缘处理的对象为该八帧的尺寸预处理视频，并完成后续的步骤。
在本实施例中，运动区域检测的步骤还包括：对上述提取的8帧图像按照顺序进行命名f0，f1，f2，f3，f4，f5，f6，f7，并抽取第一帧图像f0、第四帧图像f3和第八帧图像f7，之后，将该三帧图像灰度数值化，并求f0和f3的差值矩阵d1，以及f3和f7的差值矩阵d2，如下：
d1＝|f3-f0|；
d2＝|f7-f3|。
S204、判断运动检测视频中是否存在运动物体，若是，则执行步骤S205～S208；若否，则结束本流程。
举例来说，再对d1和d2进行二值化，当矩阵中数值大于一定阈值，例如大于30时，认为其为前景运动物体，赋值为1；当数值小于30时，认为其为背景，赋值为0。其中，当赋值为1时，表示存在运动物体，当赋值为0时，表示不存在运动物体。
S205、在运动检测视频中对运动物体的轮廓边缘进行提取，得到处理视频，处理视频包括多个处理帧。
本实施例中，处理帧为图像帧，是处理视频中包括的内容帧。
举例来说，该步骤可以使用canny算子对上述的二值化结果进行前景运动物体轮廓边缘提取，并遍历轮廓计算轮廓的外接矩阵，并输出8帧图像(上述多个处理帧)以及对应的所有外接矩阵。其中，上述的八帧图像以及对应的所有外接矩阵可以理解为处理视频。
S206、根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果。
作为一种可选的实施方式，第一人工智能算法对应的第一人工智能模型包括五个卷积层、第一全连接层以及第一分类层；其中，根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果的步骤包括：
根据五个卷积层对每个处理帧进行卷积运算，得到第一图像特征组；
根据第一全连接层对第一图像特征组进行数据处理，得到第一特征向量组；
根据第一分类层对第一特征向量组进行分类，得到第一分类结果。
实施这种实施方式，可以细化对处理视频进行处理得到第一分类结果的具体过程，并且还可以确定第一人工智能模型的具体结构，从而使得处理视频可以通过该结构得到准确的第一分类结果，进而提高第一分类结果的分类准确性；同时，该过程是在进行单帧检测，也就是说，在该过程中其检测范围更大，效果更好，精确度也较高。
作为进一步可选的实施方式，第一分类层包括第一损失函数；其中，在根据第一分类层对第一特征向量组进行分类，得到第一分类结果的步骤之后，方法还包括：
根据第一损失函数对第一分类结果进行计算，得到第一差异值；
根据第一差异值和预设的随机梯度下降算法更新第一分类层包括的分类参数。
实施这种实施方式，可以将与训练过程类似的步骤应用与实际检测当中，实现实际检测的结果负反馈，从而可以使得该模型能够进行自主迭代，从而自主优化其功能。
本实施例中，该步骤可以理解为采用单帧烟雾分类算法对运动区域进行粗分类。其中，第一人工智能算法对应的第一人工智能模型的建立过程包括数据人工标定、单帧分类模型训练、单帧分类模型预测。具体过程如下：建立单帧样本数据库TS，对运动检测中输出的f0……f7，截取矩阵范围内的图像，得到对应的多个图像块，并将这些图像块加入TS；当TS规模达到一定数量(如200000张)时，使用人工判定的方式，对图像块进行是否烟雾的判定，当是上述的图像块中存在烟雾时，设定对应的图像块的标签为T，否则设定标签为F；初始化神经网络单帧分类模型(即第一人工智能模型)。该模型输入为640*480分辨率的3通道图像特征图；经过五个不同尺度的卷积层C0……C4和全连接F5，对特征图提取特征得到特征向量；最后采用Softmax回归函数对特征向量回归得出分类结果。
本实施例中，第一人工智能模型的模型具体结构和功能可以如下：
C0卷积层：采用7*7*3卷积核与3通道特征图进行卷积运算，对运算结果应用ReLU线性整流函数激活，ReLU函数公式如下所示：
f(x)＝max(0,x)；
对激活结果应用池化操作进行降采样，使输出图像特征通道为64；
C1卷积层：采用3*3*3卷积核对C0输出图像特征进行卷积计算，使输出图像特征通道为64；
C2卷积层：采用3*3*3卷积核对C1输出图像特征进行卷积计算，使输出图像特征通道为128；
C3卷积层：采用3*3*3卷积核对C3输出图像特征进行卷积计算，使输出图像特征通道为256；
C4卷积层：采用3*3*3卷积核对C4输出图像特征进行卷积计算，使输出图像特征通道为512；
全连接层F5：使用3*3*1*512的全连接操作将C4输出的结果转化为512位的特征向量Feat；
分类结果计算：应用softmax函数对特征向量进行计算，softmax的计算函数如下：
其中z为Feat向量(用于表示适合向量)，K为Feat向量的维度，计算得到512位向量σ，σ每个元素∈(0,1)，并且所有元素的和为1。
在本实施例中，训练单帧分类模型(训练第一人工智能模型)的具体步骤可以如下：
将TS中200000张图片缩放并固定比率填充到640*480分辨率，并划分为两组，其中训练组与验证组的比例为9:1；
采用随机初始化的方式初始化分类模型的参数；
应用随机梯度下降(SGD)方法训练模型，根据经验值可以设定SGD方法中学习率参数为0.01，动量参数为0.9，学习率每4万迭代调整为其1/10。应用softmax损失函数：
其中Li为预测向量(可以理解为分类得到的结果图片，即对应第一分类结果)中第i个元素与标签向量(预先手工添加好标签的图片)第i个元素的差值，λW为常数值；如果分类正确，则损失函数值为常数，否则损失函数值有变化；
使用神经网络单帧分类模型对训练集中每张图片进行计算，输出类别预测结果，将类别和标签中的类别输入损失计算函数得到差异值，回传差异值并按照SGD方法更新分类模型中的参数。不断迭代该过程并计算验证集上的分类结果，直到验证集上的分类精度达到99％，停止训练过程，输出此时的参数矩阵M1。
可见，上述的第一人工智能模型可以在建立的过程中执行相应的步骤，并在完成第一人工智能模型的建立之后，进一步有效地执行单帧分类运算的步骤。
请参阅图5，如图5所示，单帧分类模型的训练过程(即第一人工智能模型的训练过程)可以直观地表现出来。其中，图5所示的内容为第一人工智能模型的训练过程，其中第一人工智能模型该对应单帧分类模型。同时，第二人工智能模型的训练过程与之类似。
本实施例中，第一分类层中包括损失函数还有其他的参数，这里说明的分类参数与第一损失函数是两个概念。也就是说，这里更新的是第一分类层中的参数，不是损失函数。另外，如果说第一损失函数中的参数的话，应该表述为第一分类层中包括的底损失函数的参数，而这里说的是第一分类层的参数，这里可以看出其参数的级别并不相同，因此不能够相提并论。同时，分类参数已经算是说明用于分类了，而损失函数与此存在差异，因此两者并不冲突。基于此，后续的第二分类层解释相同。
S207、当第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对多个处理帧进行多帧分类运算，得到第二分类结果。
作为一种可选的实施方式，第二人工智能算法对应的第二人工智能模型包括三个卷积层、第二全连接层以及第二分类层；其中，根据第二人工智能算法对多个处理帧进行多帧分类运算，得到第二分类结果的步骤包括：
根据三个卷积层对多个处理帧分别进行卷积运算，得到第二图像特征组；
根据第二全连接层对第二图像特征组进行数据处理，得到第二特征向量组；
根据第二分类层对第二特征向量组进行分类，得到第二分类结果。
实施这种实施方式，可以细化对处理视频进行处理得到第二分类结果的具体过程，并且还可以确定第二人工智能模型的具体结构，从而使得处理视频可以通过该结构得到准确的第二分类结果，进而提高第二分类结果的分类准确性；同时，该过程是在进行多帧检测，也就是说，在该过程中其检测精度更高，效果更好，可以有效地对烟雾实行高精度的检测；并且，该过程可以作为二次检测存在，以使一次检测之后得到的检测结果中存在烟雾的时候实现高精度的判断，从而实现烟雾检测整体判断的精准性的提高，进而使得该种高精度的方法可以适用在各种环境之下，提高其普适性。
作为一种进一步可选的实施方式，第二分类层包括第二损失函数；其中，在根据第二分类层对第二特征向量组进行分类，得到第二分类结果的步骤之后，方法还包括：
根据第二损失函数对第二分类结果进行计算，得到第二差异值；
根据第二差异值和预设的随机梯度下降算法更新第二分类层包括的分类参数。
实施这种实施方式，可以将与训练过程类似的步骤应用与实际检测当中，实现实际检测的结果负反馈，从而可以使得该模型能够进行自主迭代，从而自主优化其功能。
本实施例中，上述的步骤是采用多帧烟雾分类算法(即第二人工智能模型)对单帧烟雾分类的结果进行细分类的步骤，其中，第二人工智能模型的建立步骤包括数据人工标定、单帧分类模型训练、单帧分类模型预测。具体步骤如下：建立多帧样本数据库TM，对粗分类中输出的矩阵，对每一个矩阵，截取矩阵范围内f0……f7的多个图像块，并将这些图像块组合为一个序列块，再将序列块加入TM；当TM规模达到一定数量(如200000组)时，使用人工判定的方式，对序列块进行是否有烟雾的判定。当图像块序列存在烟雾时，设定该图像块序列的标签为T，否则设定标签为F；初始化神经网络多帧分类模型(即第二人工智能模型)。该模型输入为连续8帧112*112分辨率的3通道图像特征图；并使用3个不同尺度的卷积层C0，C1，C2对特征图进行特征提取；使用全连接层F3将特征图映射为特征向量；最后采用Softmax回归函数对特征向量回归得出分类结果。
在本实施例中，第二人工智能模型的具体结构和功能可以如下：
C0卷积层：使用3维卷积操作对8*112*112*3的输入进行特征提取，卷积核大小为3*3*3，输出图像特征通道为64；
C1卷积层：同C0，输出图像特征通道为128；
C2卷积层：同C1，输出图像特征通道为256；
F3全连接层：使用3*3*1*8*256的全连接操作将C2输出的结果转化为256位的特征向量；
分类结果计算：应用softmax函数对特征向量进行计算，得出分类结果。
在本实施例中，训练多帧分类模型(即训练第二人工智能模型)的具体步骤与上述训练第一人工智能模型相似，其中，需要将数据集图片的分辨率调整为112*112，并且在同时调整输入为图片序列。
S208、当第二分类结果包括第一判断结果时，输出第一判断结果；当第二分类结果不包括第一判断结果时，输出用于表示无烟雾的第二判断结果。
本实施例中，第一判断结果和第二判断结果为并列结果。
可见，实施图2所描述的烟雾检测方法，能够优先获取烟雾检测视频，并根据该烟雾检测视频进行相应的预处理，得到处理视频；在此之后，根据该处理视频进行第一步烟雾检测粗分类，在进行第二步烟雾检测细分类，从而得到二次分类对应的第二分类结果，并根据该第二分类结果输出结果信息。可见，实施这种实施方式，可以通过预处理的步骤提高该方法的普适性，还可以通过二次检测分类提高烟雾检测的精度，并降低报错率，从而使得最后输出的结果信息具有非常高的可信度，进而使得该方法可以适用于更多的场景，提高了烟雾检测的普适性。
实施例3
请参看图3，图3为本申请实施例提供的一种烟雾检测装置的结构示意图。其中，该烟雾检测装置包括：
获取单元310，用于获取烟雾检测视频；
预处理单元320，用于对烟雾检测视频进行预处理，得到处理视频；处理视频包括多个处理帧；
第一分类单元330，用于根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果；
第二分类单元340，用于在第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对多个处理帧进行多帧分类运算，得到第二分类结果；
输出单元350，用于当第二分类结果包括第一判断结果时，输出第一判断结果。
本实施例中，烟雾检测装置可以执行上述实施例1或实施例2中所描述的具体步骤，对此本实施例中不再多加赘述。
作为一种可选的实施方式，预处理单元320可以包括尺寸调整子单元、运动检测子单元、判断子单元以及提取子单元，其中，
尺寸调整子单元，用于根据预设尺寸对烟雾检测视频中的每个图像帧进行尺寸调整，得到调整后的调整视频；
运动检测子单元，用于根据预设检测方式对调整视频进行视频帧的抽取，并以抽取的视频帧为依据获取运动检测视频；
判断子单元，用于判断运动检测视频中是否存在运动物体；
提取子单元，用于在判断子单元的判断结果为是时，在运动检测视频中对运动物体的轮廓边缘进行提取，得到处理视频。
实施这种实施方式，可以细化与处理单元320具体结构，从而实现相应的功能。
作为一种可选的实施方式，第一人工智能算法对应的第一人工智能模型包括五个卷积层、第一全连接层以及第一分类层；其中，第一分类单元330包括第一卷积子单元、第一全连接单元以及第一分类单元，其中，
第一卷积子单元，用于根据五个卷积层对每个处理帧进行卷积运算，得到第一图像特征组；
第一全连接单元，用于根据第一全连接层对第一图像特征组进行数据处理，得到第一特征向量组；
第一分类单元，用于根据第一分类层对第一特征向量组进行分类，得到第一分类结果。
实施这种实施方式，可以细化第一人工智能算法，从而使得第一分类单元330可以根据该第一人工智能算法进行分类处理，得到第一分类结果。
作为一种可选的实施方式，第一分类层包括第一损失函数；其中，第一分类单元330还可以包括第一计算子单元和第一更新子单元，其中，
第一计算子单元，用于根据第一损失函数对第一分类结果进行计算，得到第一差异值；
第一更新子单元，用于根据第一差异值和预设的随机梯度下降算法更新第一分类层包括的分类参数。
实施这种实施方式，可以实现自反馈，从而提高第一分类层的分类能力，进而可以提高分类精度。
作为一种可选的实施方式，第二人工智能算法对应的第二人工智能模型包括三个卷积层、第二全连接层以及第二分类层；其中，第二分类单元340可以包括第二卷积子单元、第二全连接单元以及第二分类单元，其中，
第二卷积子单元，用于根据三个卷积层对多个处理帧分别进行卷积运算，得到第二图像特征组；
第二全连接单元，用于根据第二全连接层对第二图像特征组进行数据处理，得到第二特征向量组；
第二分类单元，用于根据第二分类层对第二特征向量组进行分类，得到第二分类结果。
作为一种可选的实施方式，第二分类层包括第二损失函数；其中，第二分类单元340还可以包括第二计算子单元和第二更新子单元，其中，
第二计算子单元，用于根据第二损失函数对第二分类结果进行计算，得到第二差异值；
第二更新子单元，用于根据第二差异值和预设的随机梯度下降算法更新第二分类层包括的分类参数。
作为一种可选的实施方式，输出单元350还用于当第二分类结果不包括第一判断结果时，输出用于表示无烟雾的第二判断结果。
可见，实施图3所描述的烟雾检测装置，能够优先获取待检测的视频序列，并完成对视频序列的预处理，得到处理视频；在得到处理视频之后，根据第一人工智能算法对处理视频进行单帧分类处理，以完成初步烟雾判断，再进一步根据第二人工智能算法对处理视频进行多帧分类处理，以完成精准烟雾判断，从而得到精度较高的烟雾第一判断结果，并在最后输出该结果，以使相关的操作人员得知检测结果。可见，实施这种实施方式，可以有效的提高烟雾检测的检测精度，并且可以通过二次检测大大降低报错的概率，从而使得该烟雾检测方法在实践中具有更广泛的用处。
本申请实施例还提供了一种电子设备，该计算机设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行实施例1～实施例2中任一项描述的烟雾检测方法。
本申请实施例还提供了一种计算机可读存储介质，其存储有上述的计算机设备中所使用的计算机程序(或者执行实施例1～实施例2中任一项描述的烟雾检测方法)。
在本申请所提供的几个实施例中，对于相同或相似的名词限定、解释说明、步骤限定、步骤追加、操作限定以及操作追加皆可以使用相同的解释说明，同时，因为烟雾检测装置与烟雾检测方法相对应，因此相应的解释说明也可以对应引用说明，对此本实施例中不再进行赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种烟雾检测方法，其特征在于，包括：
获取烟雾检测视频；
对所述烟雾检测视频进行预处理，得到处理视频，所述处理视频包括多个处理帧；
根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果；
当所述第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对所述多个处理帧进行多帧分类运算，得到第二分类结果；
当所述第二分类结果包括所述第一判断结果时，输出所述第一判断结果。
2.根据权利要求1所述的烟雾检测方法，其特征在于，所述对所述烟雾检测视频进行预处理，得到处理视频的步骤包括：
根据预设尺寸对所述烟雾检测视频中的每个图像帧进行尺寸调整，得到调整后的调整视频；
根据预设检测方式对所述调整视频进行视频帧的抽取，并以抽取的所述视频帧为依据获取运动检测视频；
判断所述运动检测视频中是否存在运动物体；
若所述运动检测视频中存在所述运动物体时，在所述运动检测视频中对所述运动物体的轮廓边缘进行提取，得到处理视频。
3.根据权利要求1所述的烟雾检测方法，其特征在于，所述第一人工智能算法对应的第一人工智能模型包括五个卷积层、第一全连接层以及第一分类层；其中，所述根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果的步骤包括：
根据所述五个卷积层对所述每个处理帧进行卷积运算，得到第一图像特征组；
根据所述第一全连接层对所述第一图像特征组进行数据处理，得到第一特征向量组；
根据所述第一分类层对所述第一特征向量组进行分类，得到所述第一分类结果。
4.根据权利要求3所述的烟雾检测方法，其特征在于，所述第一分类层包括第一损失函数；其中，在所述根据所述第一分类层对所述第一特征向量组进行分类，得到第一分类结果的步骤之后，所述方法还包括：
根据所述第一损失函数对所述第一分类结果进行计算，得到第一差异值；
根据所述第一差异值和预设的随机梯度下降算法更新所述第一分类层包括的分类参数。
5.根据权利要求1所述的烟雾检测方法，其特征在于，所述第二人工智能算法对应的第二人工智能模型包括三个卷积层、第二全连接层以及第二分类层；其中，所述根据第二人工智能算法对所述多个处理帧进行多帧分类运算，得到第二分类结果的步骤包括：
根据所述三个卷积层对所述多个处理帧分别进行卷积运算，得到第二图像特征组；
根据所述第二全连接层对所述第二图像特征组进行数据处理，得到第二特征向量组；
根据所述第二分类层对所述第二特征向量组进行分类，得到所述第二分类结果。
6.根据权利要求5所述的烟雾检测方法，其特征在于，所述第二分类层包括第二损失函数；其中，在所述根据所述第二分类层对所述第二特征向量组进行分类，得到第二分类结果的步骤之后，所述方法还包括：
根据所述第二损失函数对所述第二分类结果进行计算，得到第二差异值；
根据所述第二差异值和预设的随机梯度下降算法更新所述第二分类层包括的分类参数。
7.根据权利要求1所述的烟雾检测方法，其特征在于，所述方法还包括：
当所述第二分类结果不包括所述第一判断结果时，输出用于表示无烟雾的第二判断结果。
8.一种烟雾检测装置，其特征在于，所述烟雾检测装置包括：
获取单元，用于获取烟雾检测视频；
预处理单元，用于对所述烟雾检测视频进行预处理，得到处理视频；所述处理视频包括多个处理帧；
第一分类单元，用于根据第一人工智能算法对每个处理帧进行单帧分类运算，得到第一分类结果；
第二分类单元，用于在所述第一分类结果包括用于表示烟雾存在的第一判断结果时，根据第二人工智能算法对所述多个处理帧进行多帧分类运算，得到第二分类结果；
输出单元，用于当所述第二分类结果包括所述第一判断结果时，输出所述第一判断结果。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至7中任一项所述的烟雾检测方法。
10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至7任一项所述的烟雾检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910236445.2A CN110070106A (zh) | 2019-03-26 | 2019-03-26 | 烟雾检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910236445.2A CN110070106A (zh) | 2019-03-26 | 2019-03-26 | 烟雾检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070106A true CN110070106A (zh) | 2019-07-30 |
Family
ID=67366698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910236445.2A Pending CN110070106A (zh) | 2019-03-26 | 2019-03-26 | 烟雾检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070106A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052744A (zh) * | 2020-08-12 | 2020-12-08 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
| CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
| CN112437279A (zh) * | 2020-11-23 | 2021-03-02 | 方战领 | 视频分析方法及装置 |
| CN112989934A (zh) * | 2021-02-05 | 2021-06-18 | 方战领 | 视频分析方法、装置及*** |
| DE102021116957A1 (de) | 2021-07-01 | 2023-01-05 | IQ Technologies for Earth and Space GmbH | Verfahren und Vorrichtung zur automatisierten Waldbrabdfrüherkennung mittels optischer Detektion von Rauchereignissen |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103983574A (zh) * | 2014-06-03 | 2014-08-13 | 上海安维尔信息科技有限公司 | 一种烟雾检测方法 |
| CN106650600A (zh) * | 2016-10-17 | 2017-05-10 | 东南大学 | 一种基于视频图像分析的森林烟火检测方法 |
| CN107633212A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学苏州汽车研究院（吴江） | 一种基于视频图像的烟火检测方法和装置 |
| CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
| CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
-
2019
- 2019-03-26 CN CN201910236445.2A patent/CN110070106A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103983574A (zh) * | 2014-06-03 | 2014-08-13 | 上海安维尔信息科技有限公司 | 一种烟雾检测方法 |
| CN106650600A (zh) * | 2016-10-17 | 2017-05-10 | 东南大学 | 一种基于视频图像分析的森林烟火检测方法 |
| CN107633212A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学苏州汽车研究院（吴江） | 一种基于视频图像的烟火检测方法和装置 |
| CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
| CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052744A (zh) * | 2020-08-12 | 2020-12-08 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
| CN112052744B (zh) * | 2020-08-12 | 2024-02-09 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
| CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
| CN112216351B (zh) * | 2020-09-23 | 2024-02-13 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
| CN112437279A (zh) * | 2020-11-23 | 2021-03-02 | 方战领 | 视频分析方法及装置 |
| CN112989934A (zh) * | 2021-02-05 | 2021-06-18 | 方战领 | 视频分析方法、装置及*** |
| CN112989934B (zh) * | 2021-02-05 | 2024-05-24 | 方战领 | 视频分析方法、装置及*** |
| DE102021116957A1 (de) | 2021-07-01 | 2023-01-05 | IQ Technologies for Earth and Space GmbH | Verfahren und Vorrichtung zur automatisierten Waldbrabdfrüherkennung mittels optischer Detektion von Rauchereignissen |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
| CN110070106A (zh) | 烟雾检测方法、装置及电子设备 | |
| CN108537136B (zh) | 基于姿态归一化图像生成的行人重识别方法 | |
| CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
| CN109670528B (zh) | 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法 | |
| CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
| CN111126202A (zh) | 基于空洞特征金字塔网络的光学遥感图像目标检测方法 | |
| CN105809672B (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
| CN110020592A (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
| CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
| CN106228539B (zh) | 一种三维点云中多种几何基元自动识别方法 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| CN104408760B (zh) | 一种基于双目视觉的高精度虚拟装配***算法 | |
| CN110009614A (zh) | 用于输出信息的方法和装置 | |
| CN105243356B (zh) | 一种建立行人检测模型的方法及装置及行人检测方法 | |
| CN110399895A (zh) | 图像识别的方法和装置 | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN109871821A (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
| CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
| CN112132014A (zh) | 基于非督导金字塔相似性学习的目标重识别方法及*** | |
| CN110472572A (zh) | 一种复杂环境下海上目标的快速识别和分类方法 | |
| CN109284760A (zh) | 一种基于深度卷积神经网络的家具检测方法及装置 | |
| CN109492596A (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及*** | |
| CN110135237B (zh) | 一种手势识别方法 | |
| CN109993187A (zh) | 一种用于识别物体类别的建模方法、机器人及存储装置 |
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: 20190730 |
|
| RJ01 | Rejection of invention patent application after publication |