CN113657305B - 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 - Google Patents
一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 Download PDFInfo
- Publication number
- CN113657305B CN113657305B CN202110962626.0A CN202110962626A CN113657305B CN 113657305 B CN113657305 B CN 113657305B CN 202110962626 A CN202110962626 A CN 202110962626A CN 113657305 B CN113657305 B CN 113657305B
- Authority
- CN
- China
- Prior art keywords
- black smoke
- vehicle
- area
- smoke
- black
- 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.)
- Active
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 165
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 241000208125 Nicotiana Species 0.000 claims description 3
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法，包括以下步骤：S1：使用深度学习检测框架对输入的每一个视频帧图片进行黑烟区域检测，当检测区域置信度大于阈值后进行下一步操作；S2：使用深度学习检测框架对车辆进行检测；S3：将黑烟区域与车辆进行关联，关联成功后，进入下一步操作；S4：使用3D卷积神经网络对黑烟进行精准识别，当黑烟识别概率值大于阈值后，输出黑烟检测区域和关联车辆区域信息。本发明提供的基于视频的黑烟车辆及林格曼黑度等级智能检测方法，能提高检测精度、降低误检率，且可得到更精确的林格曼等级。
Description
技术领域
本发明涉及一种黑烟车辆检测***，尤其涉及一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法。
背景技术
黑烟车辆检测在早些年称作为机动车尾气监测，主要是利用道路旁边安装的遥感设备进行监测。这种传统方案主要是基于紫外光和红外光的遥感机动车尾气监测方法，以对道路行驶中的机动车尾气污染物进行有效检测。检测污染因子包括一氧化碳(CO)、二氧化碳(CO2)、碳氢化合物(HC)、氮氧化合物(NOX)与不透光度(OP)。
近年来，随着人工智能和计算机视觉技术的应用爆发，目前也有基于道路监控视频的黑烟车辆检测文献报道和专利，比如《Smoky Vehicle Detection Based on RangeFiltering on Three Orthogonal Planes and Motion Orientation Histogram》文献中提出使用颜色矩、运动方向直方图、三正交平面滤波特征进行黑烟车检测；《Smoke vehicledetection based on robust codebook model and robust volume local binary countpatterns》提出使用码本背景建模和局部二值模式进行黑烟车检测；专利《一种基于视频分析的黑烟车检测方法》首先用深度学校进行车辆检测和车型识别，排除非黑烟车型，然后使用前景目标检测，并利用光流进行跟踪，最后计算黑烟能量直方图进行黑烟车辆判断。
然而，传统的特殊光谱的遥感黑烟车辆检测设备不仅设备昂贵，单价高达150万以上，而且对气候、风速等自然环境不太鲁棒，导致很难大规模进行普及。基于视频的黑烟车辆检测不仅设备成本低廉，而且由于抓拍摄像机对车速、风速气候等不太敏感，检测精度和效率都比遥感方案更高。但是现有基于视频分析的黑烟车辆检测大多数采用背景建模、运动前景提取、疑似区域筛选、烟雾特征分类这个流程进行。这种方案从一开始的背景建模就是手工设计的策略，后续的手工设计特征也存在表达能力不强、鲁棒性不够的问题，对环境光照、阴影、天气状况不够鲁棒，检测效果相对较差。
因此有必要设计一种新的基于视频的黑烟车辆及林格曼黑度等级智能检测方法，以克服上述问题。
发明内容
本发明的目的在于克服现有技术之缺陷，提供了一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法，能提高检测精度、降低误检率，且可得到更精确的林格曼等级。
本发明是这样实现的：
本发明提供一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法，包括以下步骤：
S1：使用深度学习检测框架对输入的每一个视频帧图片进行黑烟区域检测，当检测区域置信度大于阈值后进行下一步操作；
S2：使用深度学习检测框架对车辆进行检测；
S3：将黑烟区域与车辆进行关联，关联成功后，进入下一步操作；
S4：使用3D卷积神经网络对黑烟进行精准识别，当黑烟识别概率值大于阈值后，输出黑烟检测区域和关联车辆区域信息。
进一步地，所述基于视频的黑烟车辆及林格曼黑度等级智能检测方法还包括确定黑烟国际标准的黑烟林格曼等级识别步骤，如下：
在视频输入时，采用高斯混合模型进行背景建模，然后对S4步骤输出的黑烟检测区域和关联车辆区域信息进行黑烟林格曼等级识别。
进一步地，黑烟林格曼等级识别步骤的具体流程为：
在视频输入时，采用一个高斯混合模型进行背景建模，待检测到黑烟区域后，去除与车辆交叉部分得到纯黑烟图像区域为R，该区域对应的背景区域为B；
用R减去B分割出黑烟像素，如果R减B的差值小于设定阈值，则认为该像素是黑烟像素；
得到黑烟像素后，在R上计算这些像素的灰度均值m，设定一个在道路环境下纯白的像素灰度值为H和一个纯黑的像素灰度值L，通过如下林格曼等级的计算公式即可计算出最终的黑烟林格曼等级：
林格曼等级
进一步地，所述深度学习检测框架为YoloV5模型框架、YoloV3模型框架、SSD模型框架、faster-RCNN模型框架和FCOS模型框架中的一种。
进一步地，在S3步骤中，黑烟区域与车辆进行关联的具体操作为：判断黑烟和车辆区域的互交差区域比例，若存在车辆和黑烟互交差区域比例大于0％，则取最大的互交差区域比例的车辆作为黑烟的关联车辆。
进一步地，若黑烟区域和车辆不存在互交差区域，则先找出在黑烟区域中心以上的车辆，计算车辆中心底部到黑烟区域的上、左、右中间点的距离，取最小距离作为车-烟的最终距离；获取所有车-烟距离后，求最小值距离，如果最小值距离大于设定阈值，则该车-烟对进行关联成功。
进一步地，在步骤S4中，使用3D卷积神经网络对黑烟进行精准识别的操作过程为：根据当前第T帧黑烟区域，扣取缓存的T、T-1、T-2帧相应的黑烟区域，输入至3D卷积神经网络进行分类，得到黑烟概率，当黑烟概率大于阈值时候输出黑烟结果。
本发明具有以下有益效果：
本发明提供的基于视频的黑烟车辆及林格曼黑度等级智能检测方法在任何复杂道路环境中都有很好的效果，包括以下优点：1、车辆-黑烟关联能够排除其他物体冒黑烟情况；2、由2D卷积神经网络检测到3D卷积神经网络分类，提升了检测精度，减少了误检率；3、计算林格曼等级步骤，去除了黑烟和车辆重叠区域、提取了纯黑烟像素进行计算，得到的林格曼等级更加精确。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的基于视频的黑烟车辆及林格曼黑度等级智能检测方法的流程示意图；
图2为本发明实施例提供的基于视频的3D卷积神经网络的工作流程图。
具体实施方式
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它实施例，都属于本发明保护的范围。
如图1和图2，本发明提供一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法，包括以下步骤：
S1：使用深度学习检测框架对输入的每一个视频帧图片进行黑烟区域检测，当检测区域置信度大于阈值后进行下一步操作。其中，视频输入作为S0步骤。
S2：使用深度学习检测框架对车辆进行检测；
S3：将黑烟区域与车辆进行关联，关联成功后，进入下一步操作；
S4：使用3D卷积神经网络对黑烟进行精准识别，当黑烟识别概率值大于阈值后，输出黑烟检测区域和关联车辆区域信息。
所述基于视频的黑烟车辆及林格曼黑度等级智能检测方法还包括确定黑烟国际标准的黑烟林格曼等级识别步骤S5，如下：在视频输入时，采用高斯混合模型进行背景建模，然后对S4步骤输出的黑烟检测区域和关联车辆区域信息进行黑烟林格曼等级识别。
其中，所述深度学习检测框架为YoloV5模型框架、YoloV3模型框架、SSD模型框架、faster-RCNN模型框架和FCOS模型框架中的一种。上述框架均是业界深度学习检测领域常用框架。在本较佳实施例中，所述深度学习检测框架采用YoloV5模型框架进行说明。
在S1步骤中，基于深度学习检测框架YoloV5的黑烟区域检测的具体流程为：
深度学习检测框架YoloV5用于黑烟检测主要需要进行有效的训练。训练需要标注黑烟的样本图片。由于现实环境黑烟的边界通常比较模糊，为了得到较好的黑烟框标注样本，采用先标注黑烟多边形区域，然后求出最小外接矩形作为训练的黑烟框。标注上万黑烟图片后，训练YoloV5得到黑烟检测模型，用于检测黑烟区域，当检测区域置信度大于阈值T1后进行下一步操作。
在S2步骤中，基于深度学习YoloV5的车辆检测的具体流程为：
由于黑烟检测可能检测到不是车辆排放的黑烟区域，因此本发明为了将黑烟和车辆进行关联，引入基于YoloV5的车辆检测模型。同样的，需要对采集的视频图片在这类场景下进行车辆框的标注，每一张图需要把所有车辆进行标注，标注好后训练YoloV5模型用于车辆检测。
在S3步骤中，将黑烟区域和车辆进行关联主要是用于确认黑烟是否来自于某个车辆，黑烟区域和车辆进行关联的具体流程为：
首先判断黑烟和车辆区域的互交差区域(IoU)比例，如果存在车辆和黑烟互交差区域比例大于0％，则取最大的互交差区域比例的车辆作为黑烟的关联车辆；如果黑烟区域和车辆不存在互交差区域，则需要采取如下方式：首先找出在黑烟区域中心以上的车辆，计算车辆中心底部到黑烟区域的上、左、右中间点的距离，取最小距离作为车-烟的最终距离；获取所有车-烟距离后，求最小值距离，如果最小值距离大于设定阈值，则该车-烟对进行关联成功。
在S4步骤中，使用3D卷积神经网络对黑烟进行精准识别主要是通过时空信息进一步确认上述检测的区域是否是黑烟，基于3D卷积神经网络的黑烟精确识别的具体流程为：
由于上述步骤(S1-S3)都是在静态图片中进行检测，树荫、车辆阴影、脏地面等比较容易造成误检测。本步骤S5根据上述当前第T帧黑烟区域，扣取缓存的T、T-1、T-2帧相应的黑烟区域，输入至3D卷积神经网络进行分类，得到黑烟概率，当概率大于阈值T2时候输出黑烟结果。
该3D卷积神经网络是基于主流的18层残差神经网络ResNet18修改而来，主要是将第一层的2D卷积修改为3D卷积核，考虑到车辆在道路行驶较快，该方法仅使用历史的3帧作为输入信息，具体为3张112x112的黑烟区域图片序列，如图2所示。在其他实施例中，也可以把3帧输入换成更多帧输入的一个3D卷积神经网络，均能达到相同的效果。
在S5步骤中，进行黑烟林格曼等级识别主要是用于确定黑烟国际标准的林格曼黑度等级，林格曼黑度是用视觉方法对烟气黑度进行评价的一种方法。共分为六级，分别是：0、1、2、3、4、5级，5级为污染最严重。其中，0为纯白色，5级为纯黑。黑烟林格曼等级识别的具体流程为：
本步骤S5在背景差分法的基础上进行，首先视频输入时，采用一个高斯混合模型进行背景建模，待检测到黑烟区域后，先去除与车辆交叉部分得到纯黑烟图像区域为R，该区域对应的背景区域为B。本方法首先用R减去B分割出黑烟像素，如果R减B的差值小于阈值T3(可设定为0、-2、-5等)则认为该像素是黑烟像素。
得到黑烟像素后，在R上计算这些像素的灰度均值m，m越小说明黑烟浓度大等级高。0等级说明没有黑烟，不考虑。设定一个在道路环境下纯白的像素灰度值为H(实验室理想情况是255，实际可以设置为200以下)和一个纯黑的像素灰度值L(实验室理想情况是0，实际可以设置为20以上)，林格曼等级按照以下公式计算：
林格曼等级
综上所述，本发明提供的基于视频的黑烟车辆及林格曼黑度等级智能检测方法在任何复杂道路环境中都有很好的效果，具有以下优点：
1、车辆-黑烟关联能够排除其他物体冒黑烟情况；
2、由2D卷积神经网络检测到3D卷积神经网络分类，提升了检测精度，减少了误检率；
3、计算林格曼等级步骤，去除了黑烟和车辆重叠区域、提取了纯黑烟像素进行计算，得到的林格曼等级更加精确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法，其特征在于，包括以下步骤：
S1：使用深度学习检测框架对输入的每一个视频帧图片进行黑烟区域检测，当检测区域置信度大于阈值后进行下一步操作；
S2：使用深度学习检测框架对车辆进行检测；
S3：将黑烟区域与车辆进行关联，关联成功后，进入下一步操作；
S4：使用3D卷积神经网络对黑烟进行精准识别，当黑烟识别概率值大于阈值后，输出黑烟检测区域和关联车辆区域信息；
所述基于视频的黑烟车辆及林格曼黑度等级智能检测方法还包括确定黑烟国际标准的黑烟林格曼等级识别步骤，如下：在视频输入时，采用高斯混合模型进行背景建模，然后对S4步骤输出的黑烟检测区域和关联车辆区域信息进行黑烟林格曼等级识别；
黑烟林格曼等级识别步骤的具体流程为：
在视频输入时，采用一个高斯混合模型进行背景建模，待检测到黑烟区域后，去除与车辆交叉部分得到纯黑烟图像区域为R，该区域对应的背景区域为B；
用R减去B分割出黑烟像素，如果R减B的差值小于设定阈值，则认为该像素是黑烟像素；
得到黑烟像素后，在R上计算这些像素的灰度均值m，设定一个在道路环境下纯白的像素灰度值为H和一个纯黑的像素灰度值L，通过如下林格曼等级的计算公式即可计算出最终的黑烟林格曼等级：
林格曼等级
2.如权利要求1所述的基于视频的黑烟车辆及林格曼黑度等级智能检测方法，其特征在于：所述深度学习检测框架为YoloV5模型框架、YoloV3模型框架、SSD模型框架、faster-RCNN模型框架和FCOS模型框架中的一种。
3.如权利要求1所述的基于视频的黑烟车辆及林格曼黑度等级智能检测方法，其特征在于，在S3步骤中，黑烟区域与车辆进行关联的具体操作为：判断黑烟和车辆区域的互交差区域比例，若存在车辆和黑烟互交差区域比例大于0％，则取最大的互交差区域比例的车辆作为黑烟的关联车辆。
4.如权利要求3所述的基于视频的黑烟车辆及林格曼黑度等级智能检测方法，其特征在于：若黑烟区域和车辆不存在互交差区域，则先找出在黑烟区域中心以上的车辆，计算车辆中心底部到黑烟区域的上、左、右中间点的距离，取最小距离作为车-烟的最终距离；获取所有车-烟距离后，求最小值距离，如果最小值距离大于设定阈值，则该车-烟对进行关联成功。
5.如权利要求1所述的基于视频的黑烟车辆及林格曼黑度等级智能检测方法，其特征在于，在步骤S4中，使用3D卷积神经网络对黑烟进行精准识别的操作过程为：根据当前第T帧黑烟区域，扣取缓存的T、T-1、T-2帧相应的黑烟区域，输入至3D卷积神经网络进行分类，得到黑烟概率，当黑烟概率大于阈值时候输出黑烟结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110962626.0A CN113657305B (zh) | 2021-08-20 | 2021-08-20 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110962626.0A CN113657305B (zh) | 2021-08-20 | 2021-08-20 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657305A CN113657305A (zh) | 2021-11-16 |
| CN113657305B true CN113657305B (zh) | 2023-08-04 |
Family
ID=78480616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110962626.0A Active CN113657305B (zh) | 2021-08-20 | 2021-08-20 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657305B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082834B (zh) * | 2022-07-20 | 2023-03-17 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及*** |
| CN117496449B (zh) * | 2024-01-02 | 2024-05-28 | 深圳火眼智能有限公司 | 基于图像分析的工地大气污染物检测方法及相关装置 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101144829B1 (ko) * | 2012-02-21 | 2012-05-11 | 양장은 | 매연차량 검출장치 |
| CN108088799A (zh) * | 2017-12-04 | 2018-05-29 | 佛山市南海区环境保护监测站（佛山市南海区机动车排气污染管理所） | 机动车尾气林格曼黑度的测量方法及*** |
| CN108416777A (zh) * | 2018-03-16 | 2018-08-17 | 佛山市合能物联软件开发有限公司 | 车辆尾气黑度值计算方法及*** |
| CN109035298A (zh) * | 2018-09-05 | 2018-12-18 | 中南大学 | 一种基于黑烟运动特性的黑烟检测与dg计算方法 |
| CN109086682A (zh) * | 2018-07-11 | 2018-12-25 | 东南大学 | 一种基于多特征融合的智能视频黑烟车检测方法 |
| CN109086681A (zh) * | 2018-07-11 | 2018-12-25 | 东南大学 | 一种基于lhi特征的智能视频黑烟车检测方法 |
| CN109300314A (zh) * | 2018-11-20 | 2019-02-01 | 北京朗观视觉科技有限公司 | 黑烟车实时监测抓拍装置及方法 |
| CN110516691A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆尾气检测方法和装置 |
| CN111126165A (zh) * | 2019-11-29 | 2020-05-08 | 苏州科达科技股份有限公司 | 黑烟车检测方法、装置及电子设备 |
| CN111274982A (zh) * | 2020-02-04 | 2020-06-12 | 浙江大华技术股份有限公司 | 抛洒物的识别方法、装置及存储介质 |
| CN111539343A (zh) * | 2020-04-26 | 2020-08-14 | 安徽皖仪科技股份有限公司 | 一种基于卷积注意力网络的黑烟车检测方法 |
| CN111753826A (zh) * | 2020-05-14 | 2020-10-09 | 北京迈格威科技有限公司 | 车辆与车牌的关联方法、装置和电子*** |
| CN112289022A (zh) * | 2020-09-29 | 2021-01-29 | 西安电子科技大学 | 基于时空背景比对的黑烟车检测判定及*** |
| CN112597975A (zh) * | 2021-02-26 | 2021-04-02 | 上海闪马智能科技有限公司 | 一种基于视频的火灾烟雾和抛洒物检测方法及*** |
| CN112614165A (zh) * | 2020-12-04 | 2021-04-06 | 浙江大华技术股份有限公司 | 烟火监控方法、装置、摄像机、电子装置和存储介质 |
| AU2021100176A4 (en) * | 2021-01-13 | 2021-04-08 | Tianjin Research Institute for Water Transport Engineering, Ministry of Transport, P.R. China | A Monitoring Method of Seagoing Vessels Exhaust Emission by Smart Phones |
| CN112784642A (zh) * | 2019-11-08 | 2021-05-11 | 杭州海康威视数字技术股份有限公司 | 车辆检测方法及装置 |
| CN112819791A (zh) * | 2021-02-03 | 2021-05-18 | 广州市云景信息科技有限公司 | 环检线上的林格曼黑度检测方法、装置、检测仪及黑烟车识别*** |
| CN113111737A (zh) * | 2021-03-26 | 2021-07-13 | 杭州鸿泉物联网技术股份有限公司 | 基于深度学习的黑烟黑度检测方法及设备 |
| CN113221976A (zh) * | 2021-04-26 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 基于时空光流网络的多视频帧黑烟柴油车检测方法及*** |
| CN113221943A (zh) * | 2021-04-01 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 一种柴油车黑烟图像识别方法、***及存储介质 |
-
2021
- 2021-08-20 CN CN202110962626.0A patent/CN113657305B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101144829B1 (ko) * | 2012-02-21 | 2012-05-11 | 양장은 | 매연차량 검출장치 |
| CN108088799A (zh) * | 2017-12-04 | 2018-05-29 | 佛山市南海区环境保护监测站（佛山市南海区机动车排气污染管理所） | 机动车尾气林格曼黑度的测量方法及*** |
| CN108416777A (zh) * | 2018-03-16 | 2018-08-17 | 佛山市合能物联软件开发有限公司 | 车辆尾气黑度值计算方法及*** |
| CN110516691A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆尾气检测方法和装置 |
| CN109086682A (zh) * | 2018-07-11 | 2018-12-25 | 东南大学 | 一种基于多特征融合的智能视频黑烟车检测方法 |
| CN109086681A (zh) * | 2018-07-11 | 2018-12-25 | 东南大学 | 一种基于lhi特征的智能视频黑烟车检测方法 |
| CN109035298A (zh) * | 2018-09-05 | 2018-12-18 | 中南大学 | 一种基于黑烟运动特性的黑烟检测与dg计算方法 |
| CN109300314A (zh) * | 2018-11-20 | 2019-02-01 | 北京朗观视觉科技有限公司 | 黑烟车实时监测抓拍装置及方法 |
| CN112784642A (zh) * | 2019-11-08 | 2021-05-11 | 杭州海康威视数字技术股份有限公司 | 车辆检测方法及装置 |
| CN111126165A (zh) * | 2019-11-29 | 2020-05-08 | 苏州科达科技股份有限公司 | 黑烟车检测方法、装置及电子设备 |
| WO2021103837A1 (zh) * | 2019-11-29 | 2021-06-03 | 苏州科达科技股份有限公司 | 黑烟车检测方法、装置及电子设备 |
| CN111274982A (zh) * | 2020-02-04 | 2020-06-12 | 浙江大华技术股份有限公司 | 抛洒物的识别方法、装置及存储介质 |
| CN111539343A (zh) * | 2020-04-26 | 2020-08-14 | 安徽皖仪科技股份有限公司 | 一种基于卷积注意力网络的黑烟车检测方法 |
| CN111753826A (zh) * | 2020-05-14 | 2020-10-09 | 北京迈格威科技有限公司 | 车辆与车牌的关联方法、装置和电子*** |
| CN112289022A (zh) * | 2020-09-29 | 2021-01-29 | 西安电子科技大学 | 基于时空背景比对的黑烟车检测判定及*** |
| CN112614165A (zh) * | 2020-12-04 | 2021-04-06 | 浙江大华技术股份有限公司 | 烟火监控方法、装置、摄像机、电子装置和存储介质 |
| AU2021100176A4 (en) * | 2021-01-13 | 2021-04-08 | Tianjin Research Institute for Water Transport Engineering, Ministry of Transport, P.R. China | A Monitoring Method of Seagoing Vessels Exhaust Emission by Smart Phones |
| CN112819791A (zh) * | 2021-02-03 | 2021-05-18 | 广州市云景信息科技有限公司 | 环检线上的林格曼黑度检测方法、装置、检测仪及黑烟车识别*** |
| CN112597975A (zh) * | 2021-02-26 | 2021-04-02 | 上海闪马智能科技有限公司 | 一种基于视频的火灾烟雾和抛洒物检测方法及*** |
| CN113111737A (zh) * | 2021-03-26 | 2021-07-13 | 杭州鸿泉物联网技术股份有限公司 | 基于深度学习的黑烟黑度检测方法及设备 |
| CN113221943A (zh) * | 2021-04-01 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 一种柴油车黑烟图像识别方法、***及存储介质 |
| CN113221976A (zh) * | 2021-04-26 | 2021-08-06 | 中国科学技术大学先进技术研究院 | 基于时空光流网络的多视频帧黑烟柴油车检测方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| DeepSmoke: Deep learning model for smoke detection and segmentation in outdoor environments;Salman Khan 等;Expert Systems With Applications;第182卷;1-10 * |
| Smoke Detection on Video Sequences Using 3D Convolutional Neural Networks;Gaohua Lin 等;Fire Technology;第55卷;1827-1847 * |
| 视频车辆黑烟检测算法研究进展;张天琪 等;中国图象图形学报;第26卷(第02期);0316-0333 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657305A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
| CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
| CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
| CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及*** | |
| De Charette et al. | Real time visual traffic lights recognition based on spot light detection and adaptive traffic lights templates | |
| De Charette et al. | Traffic light recognition using image processing compared to learning processes | |
| CN110363104B (zh) | 一种柴油黑烟车的检测方法 | |
| CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
| CN112633231B (zh) | 一种火灾识别的方法和装置 | |
| KR101731243B1 (ko) | 유사한 색상을 지닌 다중 이동 물체의 식별 및 추적을 위한 영상 감시 장치 및 방법 | |
| CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
| CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及*** | |
| CN108416316B (zh) | 一种黑烟车的检测方法及*** | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| CN110929635B (zh) | 基于信任机制下面部交并比的假脸视频检测方法及*** | |
| CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN112990004A (zh) | 一种基于光流法和深度学习卷积神经网络的黑烟车检测方法 | |
| CN114973207A (zh) | 一种基于目标检测的路标识别方法 | |
| CN113888754A (zh) | 一种基于雷达视觉融合的车辆多属性识别方法 | |
| CN113553916A (zh) | 一种基于卷积神经网络的轨道危险区域障碍物检测方法 | |
| CN107862341A (zh) | 一种车辆检测方法 | |
| CN109446938B (zh) | 一种基于多序列双投影的黑烟车检测方法 | |
| CN114359196A (zh) | 雾气检测方法及*** | |
| CN112330961B (zh) | 一种基于时序规律的交通指示红黄绿灯的图像识别方法 | |
| CN112289022B (zh) | 基于时空背景比对的黑烟车检测判定方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: 518000 Lantian Road 3002, Shijing Street, Pingshan District, Shenzhen, Guangdong Province Patentee after: Shenzhen Technical University Patentee after: SHENZHEN FIRE EYES INTELLIGENCE CO.,LTD. Address before: 518000 Lantian Road 3002, Shijing Street, Pingshan District, Shenzhen, Guangdong Province Patentee before: Shenzhen Technical University |
|
| TR01 | Transfer of patent right |