CN111882584A - 一种通过灰度图像进行油烟量判断的方法及装置 - Google Patents
一种通过灰度图像进行油烟量判断的方法及装置 Download PDFInfo
- Publication number
- CN111882584A CN111882584A CN202010746603.1A CN202010746603A CN111882584A CN 111882584 A CN111882584 A CN 111882584A CN 202010746603 A CN202010746603 A CN 202010746603A CN 111882584 A CN111882584 A CN 111882584A
- Authority
- CN
- China
- Prior art keywords
- oil smoke
- frame difference
- matrix
- amount
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C15/00—Details
- F24C15/20—Removing cooking fumes
- F24C15/2021—Arrangement or mounting of control or safety systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种通过灰度图像进行油烟量判断的方法及装置。本申请实施例提供的技术方案,通过抽取油烟图像视频中的两帧图像,并计算的到两者灰度化后差值矩阵,通过计算差值矩阵中各个单元数值的总和得到相应的帧差总和,进而根据所述帧差总和以及油烟预设阈值确定油烟量的大小;通过本申请的方法即使采用现有物联网芯片也能够达到实时检测的效果,不会出现检测延时,能够更好的适用于现有的智能厨房设备中,从一定程度上降低了智能厨房设备的成本。
Description
技术领域
本申请实施例涉及油烟检测技术领域,尤其涉及一种通过灰度图像进行油烟量判断的方法及装置。
背景技术
目前,常见的带有自动控制功能的吸油烟机通常采用检测烟气浓度方式实现自动控制。例如比较常见的是通过烟雾探头来检测烹饪过程中产生的烟雾浓度,根据烟雾浓度控制风机启停及运转速度。
然而依靠烟雾探头检测油烟会使得风机启动的响应速度较慢,只能在油烟进入吸油烟机后才能检测到油烟,这时再启动风机和控制调速,无法及时确定烟雾的浓度,不利于对油烟的及时处理。还有通过图像来进行油烟量识别的方式,但是通过图像来进行识别时,当燃气灶处有油污出现时,会被认定为是油烟进而控制风机启动,进而产生一定的能源损耗。因此,设计一种能够及时进行油烟量判断的方案成为本领域技术人员亟待的解决的技术问题。
发明内容
本申请实施例提供一种通过灰度图像进行油烟量判断的方法及装置,能够通过抽取油烟图像视频中的两帧图像,并计算的到两者灰度化后差值矩阵,通过计算差值矩阵中各个单元数值的总和得到相应的帧差总和,进而确定油烟量的大小;通过本申请的方案能够实现实时烟雾检测,不会出现检测延时,达到了更好的检测效果。
在第一方面,本申请实施例提供了一种通过灰度图像进行油烟量判断的方法,包括:
获取拍摄到的油烟图像视频;
抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵;
对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移;
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小;
根据油烟量大小控制风机档位的变换。
进一步的,所述抽取所述油烟图像视频中的两帧油烟图像,包括:
抽取所述油烟图像视频中相邻两帧的油烟图像;或,
抽取所述油烟图像视频中相隔预设帧数图像的两帧油烟图像。
进一步的,所述预设帧数图像包括一帧图像或者两帧图像或者三帧图像。
进一步的,所述对所述帧差矩阵中各个矩阵单元数值进行矩阵平移,包括:
对所述帧差矩阵中各个矩阵单元数值均加255以进行矩阵平移。
进一步的,所述将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小,包括:
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和;
当得到的所述帧差总和的数量达到预设数量时,则对预设数量的所述帧差总和进行均值处理得到帧差总和均值;
根据所述帧差总和均值和油烟预设阈值确定当前油烟量大小。
进一步的,所述油烟预设阈值包括第一油烟阈值、第二油烟阈值和第三油烟阈值;
所述将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小,包括:
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和;
当所述帧差总和与所述第一油烟阈值匹配时,则确定当前油烟量大;
当所述帧差总和与所述第二油烟阈值匹配时,则确定当前油烟量中;
当所述帧差总和与所述第三油烟阈值匹配时,则确定当前油烟量小。
进一步的,在所述根据油烟量大小控制风机档位的变换之后,还包括:
响应于风机档位的调节操作,记录调节后的控制档位和对应的帧差总和;
根据所述控制档位和对应的帧差总和进行油烟预设阈值的调整。
在第二方面,本申请实施例提供了一种通过灰度图像进行油烟量判断的装置,包括:
获取模块:用于获取拍摄到的油烟图像视频;
灰度化模块:用于抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵;
计算模块:用于对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移;
确定模块:用于将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小;
控制模块:用于根据油烟量大小控制风机档位的变换。
在第三方面,本申请实施例提供了一种电子设备,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的通过灰度图像进行油烟量判断的方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的通过灰度图像进行油烟量判断的方法。
本申请实施例通过抽取油烟图像视频中的两帧图像,并计算的到两者灰度化后差值矩阵,通过计算差值矩阵中各个单元数值的总和得到相应的帧差总和,进而根据所述帧差总和以及油烟预设阈值确定油烟量的大小;通过本申请的方法即使采用现有物联网芯片也能够达到实时检测的效果,不会出现检测延时,能够更好的适用于现有的智能厨房设备中,从一定程度上降低了智能厨房设备的成本。
附图说明
图1是本申请实施例提供的一种通过灰度图像进行油烟量判断的方法的流程图;
图2是本申请实施例提供的帧差总和均值计算以及阈值确定的流程示意图;
图3是本申请实施例提供的油烟阈值匹配的流程示意图;
图4是本申请实施例提供的一种通过灰度图像进行油烟量判断的装置的结构示意图;
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
依靠烟雾探头检测油烟会使得风机启动的响应速度较慢,只能在油烟进入吸油烟机后才能检测到油烟,这时再启动风机和控制调速,无法及时确定烟雾的浓度,不利于对油烟的及时处理。虽然现有有通过神经网络模型进行油烟模型构建识别的方式,但是上述方式成本相对较高,不利于进行推广使用。基于此,本申请提供的通过灰度图像进行油烟量判断的方法,能够通过抽取油烟图像视频中的两帧图像,并计算的到两者灰度化后差值矩阵,通过计算差值矩阵中各个单元数值的总和得到相应的帧差总和,进而确定油烟量的大小;通过本申请的方案能够实现实时烟雾检测,不会出现检测延时,达到了更好的检测效果。
图1给出了本申请实施例提供的一种通过灰度图像进行油烟量判断的方法的流程图,本实施例中提供的通过灰度图像进行油烟量判断的方法可以由通过灰度图像进行油烟量判断的设备执行,该通过灰度图像进行油烟量判断的设备可以通过软件和/或硬件的方式实现,该通过灰度图像进行油烟量判断的设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。一般而言,该通过灰度图像进行油烟量判断的设备可以是电脑,手机,平板或物联网芯片等。
下述以物联网芯片为执行通过灰度图像进行油烟量判断的方法的设备为例,进行描述。参照图1,该通过灰度图像进行油烟量判断的方法具体包括:
S101:获取拍摄到的油烟图像视频。
将摄像头设置于灶台上方来进行视频内容的实时获取,在进行摄像头方位设置时,示例性的有如下的设置方式,是直接将摄像头的方向正朝向下方,也即是正对灶台方向(俯视)来进行识别;但是这种方式由于会获取到烹饪过程中的锅铲、锅等图像,如果锅铲和锅在整个过程中发生移动,则会对结果产生一定的影响;更为优选的,还有另外一种摄像头位置设置方式,也即是摄像头视野范围在灶台的上方位置,并不会获取到相应的锅以及锅铲等物件,采用这样的摄像头位置设置方式,主要是保证在能够及时获取到产生烟雾的情况下获取到的其他物件是处于静态情况,通过上述设置方式能够保证最终识别结果的准确性。具体的,摄像头的安装位置以可拍摄到炉灶上产生的烟雾为准。例如,将摄像头安装在烟雾机面板的下方,并将摄像头的拍摄区域对向烟雾机下方的炉灶,并且摄像头的拍摄背景对向炉灶后方的平面墙,使得摄像头可以完整拍摄到炉灶上产生的烟雾,通过摄像头实时获取炉灶上烟雾从无到有产生烟雾的整个过程情况的视频图像作为油烟图像视频。
S102:抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵。
本步骤主要是对获取到的两幅图像进行灰度化处理,并得到与油烟图像对应的灰度矩阵,灰度矩阵也即是灰度图像。灰度图像指每个像素只使用一个采样颜色的图像,显示为从最暗的黑色到最亮的白色的灰度,与纯黑白图像不同,在计算机图像领域中黑白图像只有黑白两种颜色,灰度图像在黑色与白色之间还有许多级的颜色深度,通常灰度值范围表示为0到255,其中白色为255,黑色为0,灰度值越小颜色越深,灰度值越大颜色越趋于白色。
在获取油烟图像后,对油烟图像进行灰度处理从而获得灰度图像,其中以油烟图像为RGB彩色图像为例(R、G、B分别为红、绿、蓝三个基色分量,其共同决定了像素点颜色),确定该油烟图像每个像素点的R、G、B基色分量,依据下述公式确定每个像素点的灰度值Y:
Y=0.3R+0.59G+0.11B
上述计算方式中,根据基色的重要性及其它参考指标,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,故绿色(G)的权值最高,取值0.59。需要说明的是,R、G、B对应的权值大小可适应性调整。在另一个实施例中,在进行灰度处理时可采取分量值法、最大值法或平均值法求取图像每个像素点的灰度值。在确定油烟图像每个像素点的灰度值后,可相应得出灰度图像。其可以理解的是,灰度处理并不会影响图像的纹理特征信息,而且各像素点只需一个灰度值便可表示,有效提高图像的处理效率。具体的灰度图像可以表示为矩阵的形式,因为每一个像素点均会产生相应的灰度值,将所有的灰度值集中采用矩阵的形式来表达。
本实施例获取两幅图像是为了剔除图像中出现的油污,因为当灶台处的墙面上出现油污时,通过图像识别时无法将其剔除的;经过思考发现,墙上的油污是静态的,而油烟在产生扩散的过程中是动态,故而想到采用两帧图像进行相减来进行油污去噪的方式。
示例性的,所述抽取所述油烟图像视频中的两帧油烟图像,包括:
抽取所述油烟图像视频中相邻两帧的油烟图像;或,
抽取所述油烟图像视频中相隔预设帧数图像的两帧油烟图像。
也即是确定油烟图像视频中哪两帧图像进行相减。具体实施时,可以采用连续的相邻两帧图像来进行帧差数值的确定,也可以每隔一帧图像或两帧图像来进行一次帧差确定;具体可以依据实际情况进行设置,当摄像头的采集能力较高时,可以每隔两帧图像进行一次计算,当摄像头的采集能力一般是可以进行连续图像的帧差计算,进而保证实时监测的问题。除了上述两种方式之外,还可以获取多帧图像,然后抽取其中的关键帧(也即是更为清晰的图像)来进行帧差计算。
S103:对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移。
本步骤主要是进行具体的数学计算,获取到两个相邻图像的灰度油烟矩阵,灰度油烟矩阵中均包含有具体的灰度值,然后可以进行具体的加减计算;当采用后一帧图像减去前一帧图像之后即可得到帧差矩阵。但是仅仅通过此时的帧差矩阵也是无法进行油烟检测,虽然其有变化值,但是上述直接对帧差矩阵进行观测并不容易直接找到相应与油烟浓度之间的关系。考虑到油烟浓度越高,油烟覆盖的面积越大,那么相应的灰度值也会增加,因此可以考虑将灰度值总值与油烟浓度进行关联。但是考虑到经过两帧图像相减之后,会存在如下情况,也即是会出现负值,那么负值在相加时也即是会产生减法的作用,因此,在本实施例需要对帧差矩阵进行平行操作,也是使得帧差矩阵中的所有值均为正值,这样相加的结果与实际情况则会产生较好的匹配度。
示例性,所述对所述帧差矩阵中各个矩阵单元数值进行矩阵平移,包括:
对所述帧差矩阵中各个矩阵单元数值均加255以进行矩阵平移。由于灰度值最大是255,所以两帧之间的差值最大也为255;即使得到的帧差矩阵中出现-255,对所有数值加255之后,也会使得对应的像素点为0,而不会出现负值的情况。除了设置进行255平移的方式之外,还可以设置其他数值来替代;通过不断获取图像中的灰度值,判断其所属区间,然后将区间最大值来作为平移点进行计算也是可以的。但是当采用其他数值时,相应的油烟预设阈值也相应需要进行调整。本实施例中更为优选的是,对所述帧差矩阵中各个矩阵单元数值均加255以进行矩阵平移,也更加方便于进行后续判断计算。
S104:将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小。
本实施例中的帧差总和指的是两帧灰度图像相减之后得到帧差矩阵,然后将帧差矩阵进行平移并将平移后矩阵中每个像素点对应的灰度值进行加总求和得到对应的数值即是帧差总和。
上述得到了平移后的帧差矩阵,那么则可以对平移后的帧差矩阵中出现的各个矩阵单元数值,也即是灰度值加255,进行加总求和。由于灰度值总和与油烟量的大小之间存在一定的相关关系,所以需要先求得总和之后,在将帧差总和与油烟预设阈值进行比对以确定当前油烟量的大小。
油烟预设阈值主要通过如下方式来进行获取,在烟雾从无到有产生烟雾的整个过程中,根据不同过程对应的烟雾浓度进行烟雾浓度类别的划分。例如,可根据实际需要定义3~10类烟雾浓度类别,不同烟雾浓度类别对应不同产生烟雾过程的不同阶段。一般的,浓度越高的烟雾浓雾类别,对应的产生烟雾的过程越靠后。具体的对应关系反应在帧差总和与具体烟雾浓度的对应。
可以理解的是,可通过多次拍摄炉灶上烟雾从无到有产生烟雾的整个过程情况的多个视频图像,从而收集满足训练样本数量要求的样本视频图像。然后对样本视频图像进行灰度化处理以及帧差计算,最后确定油烟预设阈值。在进行油烟阈值确定时可以设定多种方式:其可以按照1~10级来进行设定,也可以按照大中小三级来进行设定。在本实施例中才使用大中小三级来进行设定。
具体的,在获取摄像头回传的样本视频图像后,对样本视频图像进行预处理,以对样本视频图像进行简化,提高服务器对图像处理的性能与效率。进一步的,完成样本视频图像的预处理后,基于样本视频图像建立训练集。可选的,可将样本视频图像中所有视频帧加入训练集,还可以在样本视频图像中抽取关键帧加入训练集,然后确定其属于何种烟雾范围。不同种类的烟雾值对应不同的风机档位,当油烟量大时,则需要将其与风机的高档位进行关联,通过风机的高档位来抽走油烟;当油烟量中时,则需要将其与风机的中档位进行关联,当油烟量小时,则需要将其与风机的小档位进行关联;通过不同的油烟阈值与不同的档位进行关联。进而得到最终的控制比对阈值,当检测到相应的油烟量的浓度时,则控制不同风机档位工作。
更为优选的,图2是本申请实施例提供的帧差总和均值计算以及阈值确定的流程示意图,如图2所示,所述将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小,包括:
S1041a:将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和;
S1041b:当得到的所述帧差总和的数量达到预设数量时,则对预设数量的所述帧差总和进行均值处理得到帧差总和均值;
S1041c:根据所述帧差总和均值和油烟预设阈值确定当前油烟量大小。
除了可以直接对获取到的帧差总和进行判断之外,还可以通过进行均值计算来进行油烟量的确定。采用均值取值的方式能够进一步提高判断的稳定性,不至于因为某个时间帧差总和突然变化而产生错误的判断。在进行均值比对时,不单可以直接对其进行均值计算,也可以剔除五个数据中与其他数据最不匹配的数据,然后对余下的数据进行均值计算。也可以从一定程度上保证数据的稳定性。除了上述的采用均值处理的方式之外,,还可以采用中位数来进行判断的方式,也即是连续取五个数值,然后将中间的那个数值作为帧差总和来进行阈值的比对进而判断油烟量的大小。具体的,还可以采用3个数据或7个数据等来进行数据统计,并不单单限定于采用五个数据来进行数据统计。
更为优选的,所述油烟预设阈值包括第一油烟阈值、第二油烟阈值和第三油烟阈值;在本实施例中油烟预设阈值可以由三种不同的油烟阈值,分别对应大中小油烟阈值,针对于不同的油烟预设阈值对应于不同的风机档位,当灶台处出现大油烟阈值时,控制启动第一档风机档位(也即是风机最大档)来进行油烟清除;当灶台处出现中油烟阈值时,控制启动第二档风机档位来进行油烟清除;当灶台处出现小油烟阈值时,控制启动第三档风机档位来进行油烟清除。
具体的,图3是本申请实施例提供的油烟阈值匹配的流程示意图,如图3所示,所述将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小,包括:
S1042a:将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和;
S1042b:当所述帧差总和与所述第一油烟阈值匹配时,则确定当前油烟量大;
S1042c:当所述帧差总和与所述第二油烟阈值匹配时,则确定当前油烟量中;
S1042d:当所述帧差总和与所述第三油烟阈值匹配时,则确定当前油烟量小。
也即是比如在当总和小于10000时,则说明其处于无油烟状态,当总和处于10000~13000之间时属于油烟量大状态,当总和处于13000~16000之间属于油烟量中状态,当总和大于16000时,则判断其属于油烟量大状态。如果现在检测到的帧差总和数值为13271,则表明其处于油烟量中状态,则对应的控制启动第二档位的风机来进行油烟清除即可。上述数值仅仅为示例性说明,并不代表实际情况,具体的阈值设置,可以根据实际检测内容来进行调整。
S105:根据油烟量大小控制风机档位的变换。
本步骤为具体的风机控制步骤,当在步骤S104中检测到相应的油烟量大小时,则可以根据预先设置的油烟阈值与风机的相关关系来进行风机档位的变换;进而实现油烟清除。
在步骤S105之后,还包括:
S106:响应于风机档位的调节操作,记录调节后的控制档位和对应的帧差总和;
S107:根据所述控制档位和对应的帧差总和进行油烟预设阈值的调整。
在步骤S101~S105之间是进行油烟自动判断。除了上述进行自动判断的方式之外,还可以设置于人工交互的方式来进行进一步的优化。因为不同人对油烟量会有不同的感受,对于A来说较大的油烟,对于B来说是适中的油烟量;因此,还可以进行个性化自动检测。具体的也即是在这个过程中,有可能会存在做饭的那个人对当前风机的功率不满意的情况,也即是觉得当前油烟较大而风机档位过小,此时,当检测到有进行风机档位调整时,则同时获取当前的帧差总和数值,并根据该所述来对油烟预设阈值进行调整。具体的调整规则如下:当比如当累计进行调整的次数超过10次,则获取这10次的帧差数值,然后去平均值,将该平均值作为油烟预设阈值的一个端值,通过不断的进行优化来达到更适合特定个人的除油烟效果。
示例性的,在启动风机后,响应风机档位调节操作,记录调节后的控制档位以及调节视频图像,获取该调节视频图像各调节灰度图像的平均灰度值,并根据用户设置的控制档位将该灰度值范围设置为该控制档位,其余各灰度值范围设置对应的控制档位均对应调整(例如根据改变的控制档位幅度上调或下调控制档位),下次风机启动时,则根据新调整的控制档位进行启动。
本申请实施例方案的整个过程主要涉及是数学计算以及灰度化处理,而并不涉及到的复杂的神经网络模型的构建;当采用神经网络模型构建识别时,如果采用当前的物联网芯片,会使得整个计算过程耗时过久,也即是当油烟已经消散之后,物联网芯片才计算到2分钟前的油烟浓度,并不利于进行油烟的消除。如果采用华为海思芯片这些算力较强的芯片,虽然可以实现实时性,但是成本也会大大提高。但是采用本申请实施例的方案则可以达到实时性以及成本较低的目的,也更加便于油烟检测方案的推广。
本申请实施例通过抽取油烟图像视频中的两帧图像,并计算的到两者灰度化后差值矩阵,通过计算差值矩阵中各个单元数值的总和得到相应的帧差总和,进而根据所述帧差总和以及油烟预设阈值确定油烟量的大小;通过本申请的方法即使采用现有物联网芯片也能够达到实时检测的效果,不会出现检测延时,能够更好的适用于现有的智能厨房设备中,从一定程度上降低了智能厨房设备的成本。
在上述实施例的基础上,图4为本申请实施例提供的一种通过灰度图像进行油烟量判断的装置的结构示意图。参考图4,本实施例提供的通过灰度图像进行油烟量判断的装置具体包括:
获取模块21:用于获取拍摄到的油烟图像视频;
灰度化模块22:用于抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵;
计算模块23:用于对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移;
确定模块24:用于将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小;
控制模块25:用于根据油烟量大小控制风机档位的变换。
本申请实施例通过抽取油烟图像视频中的两帧图像,并计算的到两者灰度化后差值矩阵,通过计算差值矩阵中各个单元数值的总和得到相应的帧差总和,进而根据所述帧差总和以及油烟预设阈值确定油烟量的大小;通过本申请的方法即使采用现有物联网芯片也能够达到实时检测的效果,不会出现检测延时,能够更好的适用于现有的智能厨房设备中,从一定程度上降低了智能厨房设备的成本。
本申请实施例提供的通过灰度图像进行油烟量判断的装置可以用于执行上述实施例提供的通过灰度图像进行油烟量判断的方法,具备相应的功能和有益效果。
图5是本申请实施例提供的一种电子设备的结构示意图,参照图5,该电子设备包括:处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器31的数量可以是一个或者多个,该电子设备中的存储器32的数量可以是一个或者多个。该电子设备的处理器31、存储器32、通信模块33、输入装置34及输出装置35可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的通过灰度图像进行油烟量判断的方法对应的程序指令/模块(例如,通过灰度图像进行油烟量判断的装置中的获取模块21、灰度化模块22、计算模块23、确定模块24和控制模块25)。存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的通过灰度图像进行油烟量判断的方法。
输入装置34可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例提供的通过灰度图像进行油烟量判断的方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器31执行时用于执行一种通过灰度图像进行油烟量判断的方法,该通过灰度图像进行油烟量判断的方法包括:
获取拍摄到的油烟图像视频;
抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵;
对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移;
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小;
根据油烟量大小控制风机档位的变换。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器31执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的通过灰度图像进行油烟量判断的方法,还可以执行本申请任意实施例所提供的通过灰度图像进行油烟量判断的方法中的相关操作。
上述实施例中提供的通过灰度图像进行油烟量判断的装置、存储介质及电子设备可执行本申请任意实施例所提供的通过灰度图像进行油烟量判断的方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的通过灰度图像进行油烟量判断的方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种通过灰度图像进行油烟量判断的方法,其特征在于,包括:
获取拍摄到的油烟图像视频;
抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵;
对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移;
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小;
根据油烟量大小控制风机档位的变换。
2.根据权利要求1所述的通过灰度图像进行油烟量判断的方法,其特征在于,所述抽取所述油烟图像视频中的两帧油烟图像,包括:
抽取所述油烟图像视频中相邻两帧的油烟图像;或,
抽取所述油烟图像视频中相隔预设帧数图像的两帧油烟图像。
3.根据权利要求2所述的通过灰度图像进行油烟量判断的方法,其特征在于,所述预设帧数图像包括一帧图像或者两帧图像或者三帧图像。
4.根据权利要求1所述的通过灰度图像进行油烟量判断的方法,其特征在于,所述对所述帧差矩阵中各个矩阵单元数值进行矩阵平移,包括:
对所述帧差矩阵中各个矩阵单元数值均加255以进行矩阵平移。
5.根据权利要求1所述的通过灰度图像进行油烟量判断的方法,其特征在于,所述将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小,包括:
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和;
当得到的所述帧差总和的数量达到预设数量时,则对预设数量的所述帧差总和进行均值处理得到帧差总和均值;
根据所述帧差总和均值和油烟预设阈值确定当前油烟量大小。
6.根据权利要求1所述的通过灰度图像进行油烟量判断的方法,其特征在于,所述油烟预设阈值包括第一油烟阈值、第二油烟阈值和第三油烟阈值;
所述将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小,包括:
将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和;
当所述帧差总和与所述第一油烟阈值匹配时,则确定当前油烟量大;
当所述帧差总和与所述第二油烟阈值匹配时,则确定当前油烟量中;
当所述帧差总和与所述第三油烟阈值匹配时,则确定当前油烟量小。
7.根据权利要求1所述的通过灰度图像进行油烟量判断的方法,其特征在于,在所述根据油烟量大小控制风机档位的变换之后,还包括:
响应于风机档位的调节操作,记录调节后的控制档位和对应的帧差总和;
根据所述控制档位和对应的帧差总和进行油烟预设阈值的调整。
8.一种通过灰度图像进行油烟量判断的装置,其特征在于,包括:
获取模块:用于获取拍摄到的油烟图像视频;
灰度化模块:用于抽取所述油烟图像视频中的两帧油烟图像,对两帧所述油烟图像进行灰度处理得到灰度油烟矩阵;
计算模块:用于对两帧所述灰度油烟矩阵进行帧差计算得到帧差矩阵,并对所述帧差矩阵中各个矩阵单元数值进行矩阵平移;
确定模块:用于将平移后的帧差矩阵中各个矩阵单元数值相加得到帧差总和,并根据所述帧差总和和油烟预设阈值确定当前油烟量大小;
控制模块:用于根据油烟量大小控制风机档位的变换。
9.一种电子设备,其特征在于,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一所述的通过灰度图像进行油烟量判断的方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的通过灰度图像进行油烟量判断的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746603.1A CN111882584A (zh) | 2020-07-29 | 2020-07-29 | 一种通过灰度图像进行油烟量判断的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746603.1A CN111882584A (zh) | 2020-07-29 | 2020-07-29 | 一种通过灰度图像进行油烟量判断的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882584A true CN111882584A (zh) | 2020-11-03 |
Family
ID=73201099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010746603.1A Pending CN111882584A (zh) | 2020-07-29 | 2020-07-29 | 一种通过灰度图像进行油烟量判断的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882584A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898525A (zh) * | 2020-07-29 | 2020-11-06 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
CN112902257A (zh) * | 2021-02-05 | 2021-06-04 | 宁波方太厨具有限公司 | 油烟机风量的控制方法、***、电子设备和存储介质 |
CN113063170A (zh) * | 2021-05-12 | 2021-07-02 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于识别油烟的方法、处理器及吸油烟机 |
CN111898525B (zh) * | 2020-07-29 | 2024-08-02 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107948465A (zh) * | 2017-12-11 | 2018-04-20 | 南京行者易智能交通科技有限公司 | 一种检测摄像头被干扰的方法和装置 |
CN109028235A (zh) * | 2018-09-29 | 2018-12-18 | 佛山市云米电器科技有限公司 | 基于背景建模的智能风速调节式油烟机 |
CN109579092A (zh) * | 2018-12-29 | 2019-04-05 | 佛山市云米电器科技有限公司 | 一种根据工作环境进行烟灶联动的油烟机 |
CN109813841A (zh) * | 2018-12-29 | 2019-05-28 | 佛山市云米电器科技有限公司 | 一种厨房油烟式多环芳烃检测装置 |
CN110163837A (zh) * | 2019-01-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频噪点识别方法、装置、设备及计算机可读存储介质 |
CN111401246A (zh) * | 2020-03-17 | 2020-07-10 | 广东智媒云图科技股份有限公司 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
-
2020
- 2020-07-29 CN CN202010746603.1A patent/CN111882584A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107948465A (zh) * | 2017-12-11 | 2018-04-20 | 南京行者易智能交通科技有限公司 | 一种检测摄像头被干扰的方法和装置 |
CN109028235A (zh) * | 2018-09-29 | 2018-12-18 | 佛山市云米电器科技有限公司 | 基于背景建模的智能风速调节式油烟机 |
CN109579092A (zh) * | 2018-12-29 | 2019-04-05 | 佛山市云米电器科技有限公司 | 一种根据工作环境进行烟灶联动的油烟机 |
CN109813841A (zh) * | 2018-12-29 | 2019-05-28 | 佛山市云米电器科技有限公司 | 一种厨房油烟式多环芳烃检测装置 |
CN110163837A (zh) * | 2019-01-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频噪点识别方法、装置、设备及计算机可读存储介质 |
CN111401246A (zh) * | 2020-03-17 | 2020-07-10 | 广东智媒云图科技股份有限公司 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898525A (zh) * | 2020-07-29 | 2020-11-06 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
CN111898525B (zh) * | 2020-07-29 | 2024-08-02 | 广东智媒云图科技股份有限公司 | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 |
CN112902257A (zh) * | 2021-02-05 | 2021-06-04 | 宁波方太厨具有限公司 | 油烟机风量的控制方法、***、电子设备和存储介质 |
CN113063170A (zh) * | 2021-05-12 | 2021-07-02 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于识别油烟的方法、处理器及吸油烟机 |
CN113063170B (zh) * | 2021-05-12 | 2023-06-23 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于识别油烟的方法、处理器及吸油烟机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105100632B (zh) | 成像设备自动曝光的调整方法及装置、成像设备 | |
CN111401246B (zh) | 一种烟雾浓度检测方法、装置、设备及存储介质 | |
CN102521813B (zh) | 基于双平台直方图的红外图像自适应增强方法 | |
CN111882584A (zh) | 一种通过灰度图像进行油烟量判断的方法及装置 | |
EP3503019A1 (en) | Improved inverse tone mapping method and corresponding device | |
CN114820394B (zh) | 一种基于稳健参数估计的图像噪点滤波方法及装置 | |
CN111368785A (zh) | 一种摄像头遮挡判断方法、装置、设备及存储介质 | |
CN110023957B (zh) | 用于估计图像中的投射阴影区域和/或加亮区域的方法和设备 | |
CN111369471A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
Mei et al. | Single image dehazing using dark channel fusion and haze density weight | |
CN102724541B (zh) | 一种监控影像智能诊断恢复方法 | |
CN116309178A (zh) | 一种基于自适应注意力机制网络的可见光图像去噪方法 | |
US5949916A (en) | Modified automatic regressive filter and filtering method therefor | |
CN110136085B (zh) | 一种图像的降噪方法及装置 | |
CN111275642B (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
CN115294556B (zh) | 基于改进YOLOv5的密闭振动筛上异常流态流体检测方法 | |
CN111091586A (zh) | 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 | |
CN110070007A (zh) | 视频烟雾识别方法、装置、计算机设备和存储介质 | |
CN115619662A (zh) | 一种基于暗通道先验的图像去雾方法 | |
CN111383242A (zh) | 一种图像透雾处理方法及装置 | |
CN110930326A (zh) | 图像、视频去雾方法以及相关装置 | |
CN111898525B (zh) | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 | |
CN114495414B (zh) | 烟雾侦测***以及烟雾侦测方法 | |
CN111223060B (zh) | 基于自适应plip模型的图像处理方法 |
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 |