CN110675588A - 一种森林火灾检测装置和方法 - Google Patents
一种森林火灾检测装置和方法 Download PDFInfo
- Publication number
- CN110675588A CN110675588A CN201910942744.8A CN201910942744A CN110675588A CN 110675588 A CN110675588 A CN 110675588A CN 201910942744 A CN201910942744 A CN 201910942744A CN 110675588 A CN110675588 A CN 110675588A
- Authority
- CN
- China
- Prior art keywords
- fire
- image
- hsv
- clustering
- threshold
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000003064 k means clustering Methods 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种森林火灾检测装置和方法，包括图像采集模块，用于采集原始图像后发送给火灾检测模块进行处理；火灾检测模块，用于将原始图像从RGB颜色空间转换为HSV颜色空间后得到HSV图像，再对HSV图像进行区域特征聚类算法和样本熵值算法，计算得到图像中是否存在真实火灾；火灾报警模块，用于检测到图像中存在真实火灾时，进行报警。本发明利用采集的图像即可检测是否存在火灾，相比现有的集中于视频序列差异进行分析的森林火灾检测方法，本发明使用的算法处理的数据量较小，不需要多帧复杂视频比较，降低了数据传输和运算量，提高了识别的效率和准确性，更适宜进行野外大尺度环境检测和远距离高速图像数据传输。
Description
技术领域
本发明涉及火灾检测技术领域，特别涉及一种森林火灾检测装置和方法。
背景技术
森林火灾是林业灾害中最常见的形式，每年都会导致大量森林资源、人员、 财产的损失，对生态环境和经济发展造成了巨大破坏。森林火灾具有突发性强、 波及范围广和处置困难等特点。然而，因为森林环境复杂，在火灾检测的过程 中会导致误检或漏检；另外，由于森林火灾突发性强，蔓延迅速，所以需要对 森林环境进行全天候、大范围的实时检测，数据的传输和运算量巨大。因此， 针对复杂的森林环境，设计一种能有效识别火灾的装置很有必要。
目前，常用的火灾检测方法主要采用对视频序列图像进行分析，判断有无 火灾的发生。采用火灾的颜色特征随时间变化与小波和统计频率相结合的火焰 闪烁检测方法，通过火灾图像序列差异进行火焰检测；采用多特征融合视频火 焰检测方法，使用高斯混合模型提取出前景物体，再采用火焰颜色滤波和统计 技术的火焰闪烁识别算法对真实火焰进行判别。
然而，此类集中于视频序列图像差异进行分析的森林火灾检测方法，算法 处理的数据量比较大，不适宜进行野外大尺度环境检测和远距离高速视频数据 传输。采用图形图像学的方法进行森林火灾识别的算法，在切割或识别阈值设 定上具有局限性，难以解决漏检和误检的问题，限制了图像识别算法在此方面 的应用。
发明内容
本发明的目的在于改善现有技术中所存在的不足，提供一种森林火灾检测 装置和方法，能够更快速、准确的检测出火灾。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种森林火灾检测装置，包括：
图像采集模块，用于采集原始图像后发送给火灾检测模块进行处理；
火灾检测模块，用于将原始图像从RGB颜色空间转换为HSV颜色空间后得 到HSV图像，再对HSV图像进行区域特征聚类算法和样本熵值算法，计算得到 图像中是否存在真实火灾；
火灾报警模块，用于检测到图像中存在真实火灾时，进行报警。
一种森林火灾检测方法，采用所述的装置实现，包括以下步骤：
步骤S2：采用特征区域聚类算法对HSV图像进行分割，并根据火灾颜色特 征设置HSV颜色空间的阈值，从HSV图像中提取出疑似火灾区域；
步骤S3：对阈值聚类区域进行基于K-Means聚类算法下样本熵值的计算；
步骤S4：设置样本熵值阈值，对步骤S3计算出来的样本熵值进行判断，判 别阈值聚类区域是否为真实火灾。
采集的图像即可检测是否存在火灾，相比现有的集中于视频序列差异进行 分析的森林火灾检测方法，本发明使用的算法处理的数据量较小，更适宜进行 野外大尺度环境检测和远距离高速图像数据传输。
更进一步地，为了更好地实现本发明，还包括以下步骤：
步骤S1：图像采集模块将采集的原始的RGB颜色空间图像转换为HSV颜色空 间图像，获得HSV图像。
据火灾的颜色特征设置HSV颜色空间的阈值提取出疑似火灾区域，与使用 RGB颜色空间进行火灾区域判别相比，在野外大空间下，火灾区域、天空以及树 木之间在饱和度与亮度上呈现较大的差异性；在HSV颜色空间统计图像的分布特 征并用于划分火焰颜色特征比RGB颜色空间的效果更好。
更进一步地，为了更好地实现本发明，所述特征区域聚类算法采用K-Means 聚类算法。
更进一步地，为了更好地实现本发明，所述采用特征区域聚类算法对HSV图 像进行分割，并根据火灾颜色特征设置HSV颜色空间的阈值，从HSV图像中提取 出疑似火灾区域的步骤，包括：
步骤S2-1：根据所述HSV图像，设定K个像素点作为聚类的初始中心点；
步骤S2-2：计算聚类的中心点与图像像素点之间的S和V分量的欧氏距离， 使得图像像素点特征值相似性大的聚类成一类；
步骤S2-3：修正聚类中心点，计算类簇的均值，根据类簇的均值更新聚类 中心点；
步骤S2-4：计算新的聚类中心点与图像像素点之间的S和V分量的欧氏距 离，重新聚类成k个类别；
步骤S2-5：判断k个类别是否达到标准测度函数的收敛条件，如果达到则 进行下一步，否则重复步骤S2-3；
步骤S2-6：判断类别集合是否满足阈值条件，将满足阈值条件的输出为阈 值聚类区域集合结果，剔除不满足阈值条件的类别集合。
采用K-Means聚类算法将HSV图像聚类得到多个阈值聚类区域集合，即一张 图像上的疑似火灾区域的集合，然后剔除不满足阈值条件的类别集合，即不为 疑似火灾区域的集合。
更进一步地，为了更好地实现本发明，所述对阈值聚类区域进行基于 K-Means聚类算法下样本熵值的计算的步骤，包括：基于K-Means聚类算法得到 的多个阈值聚类区域子集，使用样本熵值算法对多个阈值聚类区域子集进行计 算，得到每个子集的熵值。
由于步骤S2计算提取出来的阈值聚类区域集合中可能会被误判有类火灾区 域，因此在K-Means聚类算法下再进行样本熵值计算，得到每个阈值聚类区域的 熵值。
更进一步地，为了更好地实现本发明，所述设置样本熵值阈值X，对步骤S3 计算出来的样本熵值进行判断，判别阈值聚类区域是否为真实火灾的步骤，包 括：设置样本熵值的阈值为X，如果步骤S3中计算出来的子集的熵值大于X时， 检测为火灾，进行火灾报警；如果子集的熵值小于X时，检测为非火灾，不进行 火灾报警。
在不同的场景下设定熵值阈值X的大小，将步骤S3中计算得到的每个阈值聚 类区域的熵值与熵值阈值X进行比较，比熵值阈值X大的阈值聚类区域即为真实 火灾，否则为类火灾；若一张图像上，只要存在真实火灾，则进行报警。
与现有技术相比，本发明的有益效果：
本发明利用采集的图像即可检测是否存在火灾，相比现有的集中于视频序 列差异进行分析的森林火灾检测方法，本发明使用的算法处理的数据量较小， 更适宜进行野外大尺度环境检测和远距离高速图像数据传输。
本发明根据火灾的颜色特征设置HSV颜色空间的阈值提取出疑似火灾区域， 与使用RGB颜色空间进行火灾区域判别相比，在野外大空间下，火灾区域、天 空以及树木之间在饱和度与亮度上呈现较大的差异性；在HSV颜色空间统计图 像的分布特征并用于划分火焰颜色特征比RGB颜色空间的效果更好。
本发明对阈值聚类区域进行基于K-Means聚类算法下的样本熵值计算，由 于火焰本身的信号比较复杂且没有明显的规律，采用样本熵值对图像区域进行 图像复杂度的判别，火灾区域图像的熵值要比周围人工建筑或树木的熵值大很 多，即可较为准确的判断出图像是否存在火灾区域。
本发明克服了单纯用火灾颜色特征进行火灾识别的缺点，可以准确地提取 出火焰区域，具有抗干扰能力强、适用性强的优点；特别本发明使用到的K-Means 聚类算法和样本熵值算法采用的是静态图像处理，不需要多帧复杂视频比较， 降低了数据传输和运算量，提高了识别的效率和准确性；能够对采用图像识别 方法进行森林火灾监控与无人机火灾巡检系统的工程起到算法优化的作用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使 用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例， 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为本发明森林火灾检测装置模块框图；
图2为本发明森林火灾检测方法工作流程图；
图3为本发明实施例中采集的原始图像；
图4为本发明K-Means聚类算法流程图；
图5、6、7为本发明原始图像经过K-Means聚类算法计算处理后的阈值聚 类区域。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不 同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细 描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施 例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所 获得的所有其他实施例，都属于本发明保护的范围。
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。
实施例1：
本发明通过下述技术方案实现，如图1所示，一种森林火灾检测装置，包 括图像采集模块、火灾检测模块、火灾报警模块。其中，所述图像采集模块与 火灾检测模块相连，图像采集模块用于采集原始图像，并将原始图像传输给火 灾检测模块；所述火灾检测模块由数据处理芯片承载，基于K-Means聚类算法 下的样本熵值计算识别采集的图像中是否存在真实火灾，以实现森林火灾检测 功能；若检测出来存在真实火灾，则火灾报警模块进行报警。
图像采集模块将采集的原始图像发送至火灾检测模块，火灾模块首先将原 始图像的RGB颜色空间转换为HSV颜色空间，得到HSV图像；再对HSV图 像进行K-Means聚类初始化分割，设置H、S、V的阈值，提取疑似火灾区域； 将疑似火灾区域的边缘分割，切割成多个子集，使用基于K-Means聚类算法下 的样本熵值计算各子集的熵值；设置熵值阈值，判断子集的区域是否存在真实 火灾；若存在真实火灾，则火灾报警模块进行报警。
基于上述检测装置，提出一种森林火灾检测方法，如图2所示，具体包括 以下步骤：
步骤S1：图像采集模块将采集的原始的RGB颜色空间图像转换为HSV颜色 空间图像，获得HSV图像。
HSV颜色空间图像的模型类似于圆锥形的结构，在HSV颜色空间各坐标轴中， 水平X轴表示图像色调，用H来度量；水平Y轴表示图像色彩的饱和度，用S 来度量；垂直Z轴表示图像的色彩亮度，用V来度量。在野外大空间下，火灾 区域、天空以及树木之间在饱和度与亮度上呈现较大的差异性，使用HSV颜色 空间统计图像的分布特征，并用于划分火焰颜色特征比RGB颜色空间的效果更 好。将图像由RGB颜色空间转化为HSV颜色空间的转换式为：
V＝max(R`,G`,B`)
其中，R`,G`,B`为R,G,B的归一化结果，即：
步骤S2：采用特征区域聚类算法对所述HSV图像进行分割，并根据火灾颜 色特征设置HSV颜色空间的阈值，从HSV图像中提取出疑似火灾区域。
疑似火灾的区域与其他区域之间在饱和度与亮度上呈现较大的差异性，相 对于图像上的其他区域，使用特征区域聚类算法对疑似火灾区域进行突出和提 取比较实用。采用特征区域聚类算法可以有效地提取疑似火灾区域，但采用特 征区域聚类算法属于图像特征区域的粗提取过程，在本实施例中，如图4所示， 特征区域聚类算法中优先采用的是K-Means聚类算法：
步骤S2-1：根据所述HSV图像，设定K个像素点作为聚类的初始中心点；
步骤S2-2：计算聚类的中心点与图像像素点之间的S和V分量的欧氏距离， 使得图像像素点特征值相似性大的聚类成一类；
步骤S2-3：修正聚类中心点，计算类簇的均值，根据类簇的均值更新聚类 中心点；
步骤S2-4：计算新的聚类中心点与图像像素点之间的S和V分量的欧氏距 离，重新聚类成k个类别；
步骤S2-5：判断k个类别是否达到标准测度函数的收敛条件，如果达到则 进行下一步，否则重复步骤S2-3；
步骤S2-6：判断类别集合是否满足阈值条件，将满足阈值条件的输出为阈 值聚类区域集合结果，剔除不满足阈值条件的类别集合。
具体来说，对HSV颜色空间的阈值设置是根据火焰的颜色、饱和度以及亮 度，设定色调H取值[0,0.167]，饱和度S取值[0.7,1]，亮度V取值[0.7,1]， 通过设定的三个阈值疑似火灾区域选择，并在原始图像中予以标识。
图像经过K-Means聚类算法分割后将阈值小于20点像素的集合作为孤立区 域剔除，如图3所示为采集的原始图像，经过K-Means聚类算法分割后则可以 形成三个图像子集，由原始图像(图5a)经过聚类后分别形成了火焰子区域(图 5b)、森林子区域(图5c)和背景子区域(图5d)。需要注意的是，采用聚类和 阈值的算法在火灾检测场景的实际使用过程中，要对阈值进行严格限制，本实 施例中对阈值的取值为20，阈值选择不当会导致图像漏检或误检。
需要说明的是，一张图像经过K-Means聚类算法后，可将图像分割为多个 阈值聚类区域子集，即多个疑似火灾图像，以及多个非阈值聚类区域子集，即 不为火灾的图像，然后提取阈值聚类区域子集进行下一步计算，剔除非阈值聚 类区域子集。
选用的阈值在处理原始图像(图6a)时可以很快捷的辨识出火灾区域(图 6b)，而如图6c所示的部分特殊区域，采用K-Means聚类算法和阈值法提取的 疑似火灾区域时，森林中宿营的帐篷会被误判为疑似火灾区域，原因是H分量 范围包含了许多红色的其他物体，例如消防员的服装、消防车辆、红色花朵、 房屋、甚至昆虫等物体，图像中符合H范围的像素点数量也会影响对火灾区域 的识别，帐篷的形状、亮度、颜色等特征均与真实的火灾极为相似，如图6d仅 从颜色特征与形状特征进行识别的话就会出现误判。图像阈值裕度极小且因图 而异，实用性受到了影响，因此需要对阈值的聚类算法进行下一步骤的改进， 以提高火灾图像的识别率。
步骤S3：对阈值聚类区域进行基于K-Means聚类算法下样本熵值的计算。
基于K-Means聚类算法下样本熵值计算火灾识别是对步骤S2的阈值聚类的 改进和完善，对阈值聚类算法判断出来的多个阈值聚类区域子集进行样本熵值 分析，以判定图像是否真的存在火灾区域。如图7a中的图像经过阈值聚类后发 现，有两个区域子集(图7b)均为疑似火灾区域，即真实火灾和消防员的衣服， 将两个疑似火灾区域图像降维后进行样本熵值计算，来分析疑似火灾区域是否 为真实火灾。
对阈值聚类区域进行样本熵值计算的依据是：样本熵主要通过度量信号中 产生新模式的概率大小来衡量时间序列复杂性，当新的模式产生的概率越大， 信号越复杂，样本熵的值就会越高，当样本熵的值越低，序列自我相似性就越 高，信号相对简单，样本熵的值就会越小。分析火灾图像发现，火灾区域的图 像纹理、细节和边缘都与非火灾区域有着明显的区别。以灰度值为例，火灾区 域的像素点灰度值分布呈现复杂变化，而类火灾区域，其像素点灰度值颜色变 化相对较为固定，灰度变化较为单一。因此，采用样本熵对图像区域进行图像 复杂度的判别能够较为准确的判断出图像是否存在火灾区域。
步骤S4：设置样本熵值阈值，对步骤S3计算出来的样本熵值进行判断，判 别阈值聚类区域是否为真实火灾。
将样本熵值的阈值X设定为0.85，当疑似火灾区域样本熵值大于该阈值时， 疑似火灾区域被检测为火灾区域，将进行火灾报警，反之，当疑似火灾区域样 本熵值小于该阈值时，检测为非火灾区域，并继续进行检测。如图计算出来的 阈值聚类区域子集中，消防员的衣服的熵值小于0.85，则剔除消防员衣服的子 集；但火灾区域子集的熵值大于0.85，则说明该图像中存在真实火灾，应进行 报警。
对本火灾检测装置的系统进行稳定性测试，系统的稳定性是支撑整个系统 是否能正常运行的根本保障。本次验证通过选择典型的30张森林火灾图像和30 张干扰性的类似火灾图像进行仿真分析。
验证过程中，先使用阈值聚类算法对图像中疑似火灾区域进行提取，在对 提取出来的疑似火灾区域进行样本熵值计算，并判断图像是否为真实火灾，检 测结果如表1所示：
| 指标 | 火灾区域 |
| 图像总数 | 60 |
| 识别错误数量 | 2 |
| 识别正确数量 | 58 |
| 正确识别率/％ | 96.67％ |
| 运行时间/s | 16.03 |
表1
其中，30张森林火灾图像进行火灾识别时，28张检测到火灾发生并进行报 警；对于30张干扰性的类似火灾图像都检测为无火灾图像，都没有进行报警。 全部60张图像识别的正确率为96.67％，但误差在合理范围内，符合了系统的稳 定性要求。
综上所述，本发明针对现有的图像识别森林火灾遇到的漏检和误检等问题， 提出一种森林火灾检测装置和方法，使用到了特征区域聚类算法和样本熵值算 法，首先将采集到的森林火灾图像进行色域空间转换，即将RGB颜色空间转换 为HSV颜色空间，降低了视觉偏差在图像识别过程中的影响；然后采用特征区 域聚类算法的K-Means聚类算法，通过HSV颜色空间分量距离准则，对图像中 出现的疑似火灾区域进行子集聚类；在此基础上，通过样本熵值算法对聚类后 的区域子集权重进行辨别，区分真实火灾区域和类火灾区域的熵值统计差异， 确认聚类筛选出来的疑似火灾区域子集是否存在真实火灾。本发明的装置采用 了静态图像处理，不需要多帧复杂视频比较，降低了数据传输和运算量，提高 了识别的效率和准确性，满足了火灾检测可靠性，实时性的需求。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到 变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应 所述以权利要求的保护范围为准。
Claims (7)
1.一种森林火灾检测装置，其特征在于：包括：
图像采集模块，用于采集原始图像后发送给火灾检测模块进行处理；
火灾检测模块，用于将原始图像从RGB颜色空间转换为HSV颜色空间后得到HSV图像，再对HSV图像进行区域特征聚类算法和样本熵值算法，计算得到图像中是否存在真实火灾；
火灾报警模块，用于检测到图像中存在真实火灾时，进行报警。
2.一种森林火灾检测方法，采用权利要求1所述的装置实现，其特征在于：包括以下步骤：
步骤S2：采用特征区域聚类算法对HSV图像进行分割，并根据火灾颜色特征设置HSV颜色空间的阈值，从HSV图像中提取出疑似火灾区域；
步骤S3：对阈值聚类区域进行基于K-Means聚类算法下样本熵值的计算；
步骤S4：设置样本熵值阈值X，对步骤S3计算出来的样本熵值进行判断，判别阈值聚类区域是否为真实火灾。
3.根据权利要求2所述的一种森林火灾检测方法，其特征在于：还包括以下步骤：
步骤S1：图像采集模块将采集的原始的RGB颜色空间图像转换为HSV颜色空间图像，获得HSV图像。
4.根据权利要求1所述的一种森林火灾检测方法，其特征在于：所述特征区域聚类算法采用K-Means聚类算法。
5.根据权利要求4所述的一种森林火灾检测方法，其特征在于：所述采用特征区域聚类算法对HSV图像进行分割，并根据火灾颜色特征设置HSV颜色空间的阈值，从HSV图像中提取出疑似火灾区域的步骤，包括：
步骤S2-1：根据所述HSV图像，设定K个像素点作为聚类的初始中心点；
步骤S2-2：计算聚类的中心点与图像像素点之间的S和V分量的欧氏距离，使得图像像素点特征值相似性大的聚类成一类；
步骤S2-3：修正聚类中心点，计算类簇的均值，根据类簇的均值更新聚类中心点；
步骤S2-4：计算新的聚类中心点与图像像素点之间的S和V分量的欧氏距离，重新聚类成k个类别；
步骤S2-5：判断k个类别是否达到标准测度函数的收敛条件，如果达到则进行下一步，否则重复步骤S2-3；
步骤S2-6：判断类别集合是否满足阈值条件，将满足阈值条件的输出为阈值聚值条件的类别集合。
6.根据权利要求5所述的一种森林火灾检测方法，其特征在于：所述对阈值聚类区域进行基于K-Means聚类算法下样本熵值的计算的步骤，包括：基于K-Means聚类算法得到的多个阈值聚类区域子集，使用样本熵值算法对多个阈值聚类区域子集进行计算，得到每个子集的熵值。
7.根据权利要求6所述的一种森林火灾检测方法，其特征在于：所述设置样本熵值阈值X，对步骤S3计算出来的样本熵值进行判断，判别阈值聚类区域是否为真实火灾的步骤，包括：
设置样本熵值的阈值为X，如果步骤S3中计算出来的子集的熵值大于X时，检测为火灾，进行火灾报警；如果子集的熵值小于X时，检测为非火灾，不进行火灾报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942744.8A CN110675588B (zh) | 2019-09-30 | 2019-09-30 | 一种森林火灾检测装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942744.8A CN110675588B (zh) | 2019-09-30 | 2019-09-30 | 一种森林火灾检测装置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110675588A true CN110675588A (zh) | 2020-01-10 |
| CN110675588B CN110675588B (zh) | 2021-06-01 |
Family
ID=69080554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910942744.8A Active CN110675588B (zh) | 2019-09-30 | 2019-09-30 | 一种森林火灾检测装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675588B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882807A (zh) * | 2020-06-22 | 2020-11-03 | 杭州后博科技有限公司 | 一种识别区域火灾发生地方法及系统 |
| CN111898463A (zh) * | 2020-07-08 | 2020-11-06 | 浙江大华技术股份有限公司 | 烟火检测识别方法和装置、存储介质及电子装置 |
| CN112016552B (zh) * | 2020-11-02 | 2021-02-12 | 矿冶科技集团有限公司 | 基于泡沫颜色的混合浮选工况识别方法和系统 |
| CN112669369A (zh) * | 2021-01-20 | 2021-04-16 | 中国科学院广州能源研究所 | 一种碳氢火焰黄焰程度量化判定方法 |
| CN113298027A (zh) * | 2021-06-15 | 2021-08-24 | 济南博观智能科技有限公司 | 一种火焰检测方法、装置、电子设备和存储介质 |
| CN113379999A (zh) * | 2021-06-22 | 2021-09-10 | 徐州才聚智能科技有限公司 | 火情检测方法、装置、电子设备及存储介质 |
| CN113920680A (zh) * | 2021-10-08 | 2022-01-11 | 合肥宽特姆量子科技有限公司 | 一种基于量子通信的智能建筑火灾探测系统 |
| CN114627391A (zh) * | 2020-12-11 | 2022-06-14 | 爱唯秀股份有限公司 | 一种草检测装置及方法 |
| JP2022134564A (ja) * | 2021-03-03 | 2022-09-15 | 三菱重工業株式会社 | 特徴量抽出方法、性能予測モデル作成方法、プラントの運転支援方法、特徴量抽出装置、性能予測モデル作成装置、及びプラントの運転支援装置 |
| CN116721075A (zh) * | 2023-06-08 | 2023-09-08 | 新创碳谷集团有限公司 | 一种基于圆锥空间下的火焰检测方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1271361B1 (fr) * | 2001-06-07 | 2010-08-25 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procédé de création automatique d'une base de données images interrogeable par son contenu sémantique |
| CN102819747A (zh) * | 2012-07-18 | 2012-12-12 | 浙江农林大学 | 林业业务图像自动分类方法 |
| CN103886316A (zh) * | 2014-02-20 | 2014-06-25 | 东南大学 | 一种基于特征提取与模糊c均值聚类的燃烧监测与诊断的方法 |
| US20140254923A1 (en) * | 2011-10-19 | 2014-09-11 | The University Of Sydney | Image processing and object classification |
| CN104091354A (zh) * | 2014-07-30 | 2014-10-08 | 北京华戎京盾科技有限公司 | 一种基于视频图像的火灾检测方法及其火灾检测装置 |
| CN105405244A (zh) * | 2015-12-22 | 2016-03-16 | 山东神戎电子股份有限公司 | 一种用于森林防火的干扰源屏蔽方法 |
| CN106650594A (zh) * | 2016-10-09 | 2017-05-10 | 北方民族大学 | 视频火灾检测方法、装置及系统 |
| CN108197540A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 一种基于surf的火灾图像特征提取与识别方法 |
| CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
| CN108877127A (zh) * | 2018-04-27 | 2018-11-23 | 西安科技大学 | 基于图像处理的森林火灾检测系统及方法 |
| CN109711345A (zh) * | 2018-12-27 | 2019-05-03 | 南京林业大学 | 一种火焰图像识别方法、装置及其存储介质 |
-
2019
- 2019-09-30 CN CN201910942744.8A patent/CN110675588B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1271361B1 (fr) * | 2001-06-07 | 2010-08-25 | Commissariat à l'Énergie Atomique et aux Énergies Alternatives | Procédé de création automatique d'une base de données images interrogeable par son contenu sémantique |
| US20140254923A1 (en) * | 2011-10-19 | 2014-09-11 | The University Of Sydney | Image processing and object classification |
| CN102819747A (zh) * | 2012-07-18 | 2012-12-12 | 浙江农林大学 | 林业业务图像自动分类方法 |
| CN103886316A (zh) * | 2014-02-20 | 2014-06-25 | 东南大学 | 一种基于特征提取与模糊c均值聚类的燃烧监测与诊断的方法 |
| CN104091354A (zh) * | 2014-07-30 | 2014-10-08 | 北京华戎京盾科技有限公司 | 一种基于视频图像的火灾检测方法及其火灾检测装置 |
| CN105405244A (zh) * | 2015-12-22 | 2016-03-16 | 山东神戎电子股份有限公司 | 一种用于森林防火的干扰源屏蔽方法 |
| CN106650594A (zh) * | 2016-10-09 | 2017-05-10 | 北方民族大学 | 视频火灾检测方法、装置及系统 |
| CN108197540A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 一种基于surf的火灾图像特征提取与识别方法 |
| CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
| CN108877127A (zh) * | 2018-04-27 | 2018-11-23 | 西安科技大学 | 基于图像处理的森林火灾检测系统及方法 |
| CN109711345A (zh) * | 2018-12-27 | 2019-05-03 | 南京林业大学 | 一种火焰图像识别方法、装置及其存储介质 |
Non-Patent Citations (8)
| Title |
|---|
| D.MALATHI M.E.: ""Image Optimization and Segmentation by Selective Fusion in K-Means Clustering"", 《INTERNATIONAL JOURNAL OF SCIENTIFIC RESEARCH & ENGINEERING TRENDS》 * |
| LEE, ERIC WAI MING: ""An incremental adaptive neural network model for online noisy data regression and its application to compartment fire studies"", 《APPLIED SOFT COMPUTING》 * |
| RUI CHEN: ""Forest Fire Detection Algorithm Based on Digital Image"", 《JOURNAL OF SOFTWARE》 * |
| 丁明月等: ""基于数据融合的K均值聚类彩色图像分割方法"", 《青岛大学学报（工程技术版）》 * |
| 张盟蒙: ""基于物联网技术的森林火灾探测系统研究"", 《万方学位论文数据库》 * |
| 杨大为等: ""VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用"", 《振动与冲击》 * |
| 杨松等: ""基于样本熵的语音/音乐识别"", 《计算机工程与应用》 * |
| 许亚杰等: ""基于特征域聚类下Radon变换的火车票图像方向检测算法研究"", 《液晶与显示》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882807B (zh) * | 2020-06-22 | 2022-03-15 | 杭州后博科技有限公司 | 一种识别区域火灾发生地方法及系统 |
| CN111882807A (zh) * | 2020-06-22 | 2020-11-03 | 杭州后博科技有限公司 | 一种识别区域火灾发生地方法及系统 |
| CN111898463A (zh) * | 2020-07-08 | 2020-11-06 | 浙江大华技术股份有限公司 | 烟火检测识别方法和装置、存储介质及电子装置 |
| CN111898463B (zh) * | 2020-07-08 | 2023-04-07 | 浙江大华技术股份有限公司 | 烟火检测识别方法和装置、存储介质及电子装置 |
| CN112016552B (zh) * | 2020-11-02 | 2021-02-12 | 矿冶科技集团有限公司 | 基于泡沫颜色的混合浮选工况识别方法和系统 |
| CN114627391A (zh) * | 2020-12-11 | 2022-06-14 | 爱唯秀股份有限公司 | 一种草检测装置及方法 |
| CN112669369A (zh) * | 2021-01-20 | 2021-04-16 | 中国科学院广州能源研究所 | 一种碳氢火焰黄焰程度量化判定方法 |
| JP2022134564A (ja) * | 2021-03-03 | 2022-09-15 | 三菱重工業株式会社 | 特徴量抽出方法、性能予測モデル作成方法、プラントの運転支援方法、特徴量抽出装置、性能予測モデル作成装置、及びプラントの運転支援装置 |
| CN113298027A (zh) * | 2021-06-15 | 2021-08-24 | 济南博观智能科技有限公司 | 一种火焰检测方法、装置、电子设备和存储介质 |
| CN113379999A (zh) * | 2021-06-22 | 2021-09-10 | 徐州才聚智能科技有限公司 | 火情检测方法、装置、电子设备及存储介质 |
| CN113379999B (zh) * | 2021-06-22 | 2024-05-24 | 徐州才聚智能科技有限公司 | 火情检测方法、装置、电子设备及存储介质 |
| CN113920680A (zh) * | 2021-10-08 | 2022-01-11 | 合肥宽特姆量子科技有限公司 | 一种基于量子通信的智能建筑火灾探测系统 |
| CN116721075A (zh) * | 2023-06-08 | 2023-09-08 | 新创碳谷集团有限公司 | 一种基于圆锥空间下的火焰检测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110675588B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675588B (zh) | 一种森林火灾检测装置和方法 | |
| CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
| Kashani et al. | Cluster-based roof covering damage detection in ground-based lidar data | |
| Gaikwad et al. | Wheat disease detection using image processing | |
| CN103903008B (zh) | 一种基于图像识别输电线路的雾等级的方法以及系统 | |
| CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
| CN106600602B (zh) | 基于聚类自适应窗高光谱图像异常检测方法 | |
| CN105469105A (zh) | 一种基于视频监控的香烟烟雾检测方法 | |
| CN108875806B (zh) | 基于时空数据的虚假林火热点挖掘方法 | |
| CN108009479A (zh) | 分布式机器学习系统及其方法 | |
| CN109118548A (zh) | 一种综合智能水质识别方法 | |
| CN107067412A (zh) | 一种多信息融合的视频火焰烟雾检测方法 | |
| CN111444774B (zh) | 一种基于无人机航测技术的森林资源监测方法 | |
| CN108898159B (zh) | 基于dbscan算法的虚假林火热点过滤方法 | |
| CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测系统 | |
| CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
| CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
| CN117237747A (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
| Lin et al. | A new time series change detection method for landsat land use and land cover change | |
| CN118941553A (zh) | 一种基于图像处理的纱线检测系统 | |
| CN115311623B (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
| CN105989600A (zh) | 基于特征点分布统计的配电网设备外观检测方法及系统 | |
| CN118918532A (zh) | 一种基于红外特征属性的堤坝白蚁危害识别方法及系统 | |
| CN112288019A (zh) | 一种基于关键点定位的厨师帽检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |