CN112507925A - 一种基于慢特征分析的火灾检测方法 - Google Patents

一种基于慢特征分析的火灾检测方法 Download PDF

Info

Publication number
CN112507925A
CN112507925A CN202011487684.4A CN202011487684A CN112507925A CN 112507925 A CN112507925 A CN 112507925A CN 202011487684 A CN202011487684 A CN 202011487684A CN 112507925 A CN112507925 A CN 112507925A
Authority
CN
China
Prior art keywords
image
frame image
flame
images
extracting
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
Application number
CN202011487684.4A
Other languages
English (en)
Inventor
颜普
陈杰
邵慧
胡玉霞
苏亮亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Jianzhu University
Original Assignee
Anhui Jianzhu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Jianzhu University filed Critical Anhui Jianzhu University
Priority to CN202011487684.4A priority Critical patent/CN112507925A/zh
Publication of CN112507925A publication Critical patent/CN112507925A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明涉及火灾检测方法，具体涉及一种基于慢特征分析的火灾检测方法，提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理，利用慢特征分析提取帧图像中的火焰参量特征，根据火焰参量全局特征，结合模糊逻辑算法快速定位提取帧图像中的火焰疑似区域，并进行火焰参量局部特征分析，对预处理后的帧图像进行网格化分割，得到子图像，将每个子图像与标准火焰图像进行特征点匹配，根据火焰参量局部特征分析结果，以及特征点匹配结果对是否发生火灾进行准确判断；本发明提供的技术方案能够有效克服现有技术所存在的火灾检测准确度较低的缺陷。

Description

一种基于慢特征分析的火灾检测方法
技术领域
本发明涉及火灾检测方法，具体涉及一种基于慢特征分析的火灾检测方法。
背景技术
在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一，其破坏力大、突发性强，给人类的生产和生活带来了不同程度的损害。更重要的是，火灾发生的时间和地点随机，诱因多样，一旦发生很难及时控制，还会造成二次伤害，这给消防人员带来了极大的挑战，同时也给救援人员带来了生命威胁。
据WFSC(WorldFireStatisticsCenter)2000年以前的不完全统计，全世界每年大概发生600-700万起火灾，每年死于火灾的人数大概有65000-75000人。近年来，我国国内火灾造成的损失非常惨重，2015年全国共发生33.8万起火灾，共造成2854人伤亡，其中1112人受伤，1742人死亡，直接经济损失超过39亿元。火灾不仅带来了重大经济损失，还危害人民群众的生命安全，火灾的检测与救援成为目前迫切需要解决的重大问题之一。
火灾发生时伴有火焰、温度、烟雾和燃烧波等火灾参量，通过对这些特征参量的检测分析，可以判定被测区域是否有火灾存在。根据探测特征参数的不同，火灾探测器可以分为火焰探测器、温度探测器、烟雾探测器等。但由于火灾发生的不确定性和多变性，这些传感器采集的数据或信息都不可避免地受到周围环境等不确定因素的影响，进而降低了火灾检测的灵敏度，给火灾的识别带来很大难度。这些探测器一般应用简单场景中，但在复杂建筑环境的火灾报警中，不能很好地适用。
目前，火灾检测方法主要是传感器检测，但是红外传感器探测装置容易受外界温度变化、电磁干扰等影响，出现误报、漏报等情况，并且红外、紫外类探测装置也不能识别火焰的形状和大小，易造成误定位，大大降低了火灾检测的准确性。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于慢特征分析的火灾检测方法，能够有效克服现有技术所存在的火灾检测准确度较低的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于慢特征分析的火灾检测方法，包括以下步骤：
S1、提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理；
S2、利用慢特征分析提取帧图像中的火焰参量特征；
S3、根据火焰参量全局特征，结合模糊逻辑算法快速定位提取帧图像中的火焰疑似区域，并进行火焰参量局部特征分析；
S4、对预处理后的帧图像进行网格化分割，得到子图像，将每个子图像与标准火焰图像进行特征点匹配；
S5、根据火焰参量局部特征分析结果，以及特征点匹配结果对是否发生火灾进行准确判断。
优选地，S1中提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理，包括：通过基于深度学习的修正算法对帧图像进行处理，得到去噪及增强的帧图像，并对帧图像的边缘轮廓进行检测。
优选地，S2中利用慢特征分析提取帧图像中的火焰参量特征，包括：
S21、利用帧间差分法获取连续帧图像序列，对选定的初始帧图像进行特征点检测；
S22、利用光流法对特征点进行跟踪，收集训练立方体；
S23、利用收集的训练立方体进行慢特征函数的学习，提取帧图像中的火焰参量特征并进行特征表示。
优选地，所述火焰参量特征包括颜色特征、形状特征、SIFT流、非线性亮度不变局部特征和纹理局部特征。
优选地，S4中对预处理后的帧图像进行网格化分割，得到子图像，包括：对相邻连续帧图像中处于相同位置的子图像标注相同的序号。
优选地，S4中将每个子图像与标准火焰图像进行特征点匹配后，若子图像中存在火焰信息，则对相邻连续帧图像中标注相同序号的子图像进行特征点匹配，并结合S3中提取帧图像中的火焰疑似区域，综合分析每个帧图像中的火灾面积及火灾发展趋势。
优选地，所述每个子图像与标准火焰图像进行特征点匹配，以及相邻连续帧图像中标注相同序号的子图像进行特征点匹配，包括：
S41、对两幅图像进行特征提取得到特征点，并通过进行相似性度量找到匹配的特征点对；
S43、通过匹配的特征点对得到的图像空间坐标变换参数；
S44、最后由变换后图像空间坐标参数进行图像配准。
(三)有益效果
与现有技术相比，本发明所提供的一种基于慢特征分析的火灾检测方法，将计算机视觉中的视频慢特征分析用于火灾检测，能够获得火灾场景的动态纹理特征，该特征包含火灾场景的时空信息，根据火焰参量局部特征分析结果，以及特征点匹配结果能够快速准确识别是否发生火灾，对及时扑灭火灾及搜救被困人员有很大帮助；通过对相邻连续帧图像中相同位置的子图像进行特征点匹配，并结合帧图像中的火焰疑似区域，能够得出火灾发展趋势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明的火灾检测流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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作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。
一种基于慢特征分析的火灾检测方法，如图1所示，包括以下步骤：
S1、提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理；
S2、利用慢特征分析提取帧图像中的火焰参量特征；
S3、根据火焰参量全局特征，结合模糊逻辑算法快速定位提取帧图像中的火焰疑似区域，并进行火焰参量局部特征分析；
S4、对预处理后的帧图像进行网格化分割，得到子图像，将每个子图像与标准火焰图像进行特征点匹配；
S5、根据火焰参量局部特征分析结果，以及特征点匹配结果对是否发生火灾进行准确判断。
其中，提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理，包括：通过基于深度学习的修正算法对帧图像进行处理，得到去噪及增强的帧图像，并对帧图像的边缘轮廓进行检测。能够得到清晰的帧图像，同时能够尽可能保留帧图像所包含的信息，便于后续进行慢特征分析。
利用慢特征分析提取帧图像中的火焰参量特征，包括：
S21、利用帧间差分法获取连续帧图像序列，对选定的初始帧图像进行特征点检测；
S22、利用光流法对特征点进行跟踪，收集训练立方体；
S23、利用收集的训练立方体进行慢特征函数的学习，提取帧图像中的火焰参量特征并进行特征表示。
本申请技术方案中，火焰参量特征包括颜色特征、形状特征、SIFT流、非线性亮度不变局部特征和纹理局部特征。其中，颜色特征、形状特征、SIFT流为火焰参量全局特征，而非线性亮度不变局部特征、纹理局部特征为火焰参量局部特征。
将每个子图像与标准火焰图像进行特征点匹配后，若子图像中存在火焰信息，则表明对应帧图像中存在火灾。此时，可以结合通过慢特征分析得到的帧图像中的火焰参量局部特征，即非线性亮度不变局部特征、纹理局部特征，快速有效地识别是否发生火灾，并且可以进一步提升火灾检测的准确度。
将每个子图像与标准火焰图像进行特征点匹配后，若子图像中存在火焰信息，则对相邻连续帧图像中标注相同序号的子图像进行特征点匹配，并结合S3中提取帧图像中的火焰疑似区域，综合分析每个帧图像中的火灾面积及火灾发展趋势。
对预处理后的帧图像进行网格化分割，得到子图像，包括：对相邻连续帧图像中处于相同位置的子图像标注相同的序号。
每个子图像与标准火焰图像进行特征点匹配，以及相邻连续帧图像中标注相同序号的子图像进行特征点匹配，包括：
S41、对两幅图像进行特征提取得到特征点，并通过进行相似性度量找到匹配的特征点对；
S43、通过匹配的特征点对得到的图像空间坐标变换参数；
S44、最后由变换后图像空间坐标参数进行图像配准。
当子图像中存在火焰信息时，对相邻连续帧图像中标注相同序号的子图像进行特征点匹配，并结合通过慢特征分析得到的帧图像中的火焰疑似区域，来对每个帧图像中的着火面积进行判定，同时结合连续帧图像中的着火面积变化情况，能够得出火灾发展趋势。在此基础上，还能够根据连续帧图像中的着火面积变化速率，对火灾发展趋势做出有效预测。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于慢特征分析的火灾检测方法，其特征在于：包括以下步骤：
S1、提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理；
S2、利用慢特征分析提取帧图像中的火焰参量特征；
S3、根据火焰参量全局特征，结合模糊逻辑算法快速定位提取帧图像中的火焰疑似区域，并进行火焰参量局部特征分析；
S4、对预处理后的帧图像进行网格化分割，得到子图像，将每个子图像与标准火焰图像进行特征点匹配；
S5、根据火焰参量局部特征分析结果，以及特征点匹配结果对是否发生火灾进行准确判断。
2.根据权利要求1所述的基于慢特征分析的火灾检测方法，其特征在于：S1中提取建筑物实时视频数据中的帧图像，并对帧图像进行预处理，包括：通过基于深度学习的修正算法对帧图像进行处理，得到去噪及增强的帧图像，并对帧图像的边缘轮廓进行检测。
3.根据权利要求1所述的基于慢特征分析的火灾检测方法，其特征在于：S2中利用慢特征分析提取帧图像中的火焰参量特征，包括：
S21、利用帧间差分法获取连续帧图像序列，对选定的初始帧图像进行特征点检测；
S22、利用光流法对特征点进行跟踪，收集训练立方体；
S23、利用收集的训练立方体进行慢特征函数的学习，提取帧图像中的火焰参量特征并进行特征表示。
4.根据权利要求3所述的基于慢特征分析的火灾检测方法，其特征在于：所述火焰参量特征包括颜色特征、形状特征、SIFT流、非线性亮度不变局部特征和纹理局部特征。
5.根据权利要求1所述的基于慢特征分析的火灾检测方法，其特征在于：S4中对预处理后的帧图像进行网格化分割，得到子图像，包括：对相邻连续帧图像中处于相同位置的子图像标注相同的序号。
6.根据权利要求5所述的基于慢特征分析的火灾检测方法，其特征在于：S4中将每个子图像与标准火焰图像进行特征点匹配后，若子图像中存在火焰信息，则对相邻连续帧图像中标注相同序号的子图像进行特征点匹配，并结合S3中提取帧图像中的火焰疑似区域，综合分析每个帧图像中的火灾面积及火灾发展趋势。
7.根据权利要求6所述的基于慢特征分析的火灾检测方法，其特征在于：所述每个子图像与标准火焰图像进行特征点匹配，以及相邻连续帧图像中标注相同序号的子图像进行特征点匹配，包括：
S41、对两幅图像进行特征提取得到特征点，并通过进行相似性度量找到匹配的特征点对；
S43、通过匹配的特征点对得到的图像空间坐标变换参数；
S44、最后由变换后图像空间坐标参数进行图像配准。
CN202011487684.4A 2020-12-16 2020-12-16 一种基于慢特征分析的火灾检测方法 Pending CN112507925A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011487684.4A CN112507925A (zh) 2020-12-16 2020-12-16 一种基于慢特征分析的火灾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011487684.4A CN112507925A (zh) 2020-12-16 2020-12-16 一种基于慢特征分析的火灾检测方法

Publications (1)

Publication Number Publication Date
CN112507925A true CN112507925A (zh) 2021-03-16

Family

ID=74972805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011487684.4A Pending CN112507925A (zh) 2020-12-16 2020-12-16 一种基于慢特征分析的火灾检测方法

Country Status (1)

Country Link
CN (1) CN112507925A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115700757A (zh) * 2022-11-08 2023-02-07 中信重工开诚智能装备有限公司 消防水炮的控制方法、装置及电子设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334924A (zh) * 2007-06-29 2008-12-31 丁国锋 一种火灾探测***及其火灾探测方法
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
US20090315722A1 (en) * 2008-06-20 2009-12-24 Billy Hou Multi-wavelength video image fire detecting system
CN101751744A (zh) * 2008-12-10 2010-06-23 中国科学院自动化研究所 一种烟雾检测和预警方法
CN104881681A (zh) * 2015-05-22 2015-09-02 浙江大学 基于混合图模型的图像序列类别标注方法
CN106373320A (zh) * 2016-08-22 2017-02-01 中国人民解放军海军工程大学 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法
CN109145689A (zh) * 2017-06-28 2019-01-04 南京理工大学 一种机器人火灾检测方法
CN109902612A (zh) * 2019-02-22 2019-06-18 北京工业大学 一种基于无监督学习的监控视频异常检测方法
KR102087000B1 (ko) * 2019-08-13 2020-05-29 주식회사 지에스아이엘 화재 감지 방법 및 시스템
CN111476829A (zh) * 2020-03-12 2020-07-31 梦幻世界科技(珠海)有限公司 一种基于光流的增强现实虚实图像动态配准方法及装置
CN112070830A (zh) * 2020-11-13 2020-12-11 北京云测信息技术有限公司 点云图像的标注方法、装置、设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334924A (zh) * 2007-06-29 2008-12-31 丁国锋 一种火灾探测***及其火灾探测方法
US20090315722A1 (en) * 2008-06-20 2009-12-24 Billy Hou Multi-wavelength video image fire detecting system
CN101751744A (zh) * 2008-12-10 2010-06-23 中国科学院自动化研究所 一种烟雾检测和预警方法
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN104881681A (zh) * 2015-05-22 2015-09-02 浙江大学 基于混合图模型的图像序列类别标注方法
CN106373320A (zh) * 2016-08-22 2017-02-01 中国人民解放军海军工程大学 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法
CN109145689A (zh) * 2017-06-28 2019-01-04 南京理工大学 一种机器人火灾检测方法
CN109902612A (zh) * 2019-02-22 2019-06-18 北京工业大学 一种基于无监督学习的监控视频异常检测方法
KR102087000B1 (ko) * 2019-08-13 2020-05-29 주식회사 지에스아이엘 화재 감지 방법 및 시스템
CN111476829A (zh) * 2020-03-12 2020-07-31 梦幻世界科技(珠海)有限公司 一种基于光流的增强现实虚实图像动态配准方法及装置
CN112070830A (zh) * 2020-11-13 2020-12-11 北京云测信息技术有限公司 点云图像的标注方法、装置、设备和存储介质

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
BO DU 等: "Unsupervised Deep Slow Feature Analysis for Change Detection in Multi-Temporal Remote Sensing Images", 《ARXIV:1812.00645V2》 *
T. CELIK, H. DEMIREL 等: "Automatic fire detection in video sequences", 《14TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO 2006)》 *
丁明跃 等编著: "《物联网识别技术》", 31 July 2012, 中国铁道出版社 *
刘芳: "面向视频的火焰检测与跟踪算法", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》 *
方路平 等: "基于深度学习的低光彩码图像增强", 《浙江工业大学学报》 *
汪彩霞: "基于深度学习的动态纹理分类方法研究及其在森林防火中的应用", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
耿庆田 等: "基于颜色特征的火焰检测新算法", 《吉林大学学报（工学版）》 *
陈婷婷 等: "视频中人体行为的慢特征提取算法", 《智能***学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115700757A (zh) * 2022-11-08 2023-02-07 中信重工开诚智能装备有限公司 消防水炮的控制方法、装置及电子设备
CN115700757B (zh) * 2022-11-08 2024-05-17 中信重工开诚智能装备有限公司 消防水炮的控制方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN112287816B (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
CN101751744B (zh) 一种烟雾检测和预警方法
CN107437318B (zh) 一种可见光智能识别算法
JP2018101317A (ja) 異常監視システム
KR102149832B1 (ko) 딥러닝 기반의 자동 폭력 감지 시스템
CN111126293A (zh) 一种火焰和烟雾异常情况检测方法及***
CN112084963B (zh) 一种监控预警方法、***及存储介质
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
Chowdhury et al. Computer vision and smoke sensor based fire detection system
CN109034038B (zh) 一种基于多特征融合的火灾识别装置
CN109410497A (zh) 一种基于深度学习的桥洞空间安全监测与报警***
CN111899210A (zh) 一种基于图像识别的电弧检测方法
CN112507925A (zh) 一种基于慢特征分析的火灾检测方法
CN111898440A (zh) 一种基于三维卷积神经网络的山火检测方法
CN108520200B (zh) 一种有效的煤矿火灾检测***
CN110796008A (zh) 一种基于视频图像的早期火灾检测方法
CN116152745A (zh) 一种抽烟行为检测方法、装置、设备及存储介质
CN113554682B (zh) 一种基于目标跟踪的安全帽检测方法
CN112699745A (zh) 一种用于火灾现场的被困人员定位方法
CN115311601A (zh) 一种基于视频分析技术的火灾探测分析方法
CN116052035A (zh) 一种基于卷积神经网络的电厂人员周界入侵检测方法
CN111191575B (zh) 一种基于火苗跳动建模的明火检测方法及***
CN111127433B (zh) 一种检测火焰的方法及装置
Gao et al. Design and implementation of fire detection system using new model mixing
Regi et al. Deep learning based fire detection system

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210316