基于块分割和SVM的视频火灾烟雾识别

研究火灾早期预警问题,为了解决现有图像型火灾烟雾检测算法对环境适应能力不强和探测准确性不高等问题,采用分块和背景差分,分析烟雾在RGB和HSV颜色空间色彩和亮度的变化规律获取疑似烟雾区域;以运动主方向和疑似烟雾与背景对应区域的高低频能量比作为火灾烟雾识别依据,构建SVM分类器,最终实现烟雾判决。并与BP神经网络模型火灾烟雾探测方法进行了比较分析,结果表明,改进的算法具有较强自适应性,识别率高,实时性强,鲁棒性高,可适用于多种火灾探测场景。

基于图像熵的火灾烟雾识别

提出了一种基于图像熵的烟雾运动模式识别方法,用来实现对火灾烟雾的探测.通过对烟雾自由扩散模型的理论分析,得出了烟雾扩散熵增运动的特征.通过引入信号学中"图像熵"的理论,用来捕捉烟雾运动造成的熵变特征,进而实现火灾烟雾的检测.经过实验的验证和分析,并对图像熵值的变化进行傅立叶变换,得出了干扰运动和烟雾运动具有不同特征信号的结论,从而实现了烟雾的识别.与以往研究者通过研究视频烟雾的图像特征出发不同,文中从烟雾的热力学的性质和它在流体力学方面的运动特征,得出它与一般的刚体具有截然不同的运动模式的理论,以图像熵作为核心参量,得出一种实用高效的火灾烟雾检测算法.实验表明:这种检测算法受到环境的干扰较小,特别适合复杂环境的烟雾检测,并可以用于对火灾环境的评估.

基于多尺度特征融合的烟雾识别

我国火灾隐患高居不下,严重威胁着人民群众的生产、生活安全,火灾释放的污染物对空气质量和人体健康都有潜在影响,提高视频火灾烟雾识别技术能够有效地把火灾扼杀在摇篮里。本文提出了一种基于多尺度特征融合的烟雾识别模型,在神经网络模型VGG19的基础上构建了自上而下的特征路径和自下而上的注意路径,在进行卷积的同时保留低层特征,更利于烟雾识别这项任务。本研究采用火灾科学国家重点实验室公开的烟雾图像数据集进行实验,准确率达到99.75%,相较于仅使用神经网络模型VGG19提高了9.85%。

飞机货舱可燃物在干扰源状态下火灾特征参数研究

目前民用飞机货舱主要采用传统光电式烟雾探测器来识别火灾烟雾,但由于飞机货舱中悬浮有其他干扰颗粒(灰尘、水蒸气等)会触发火灾探测器报警,传统光电式烟雾探测器存在误报率高的问题。采用基于双波长及索特平均粒径的光电式烟雾探测器采集飞机货舱典型燃烧物、干扰源的红外光散射功率、蓝光散射功率,以此作为火灾参数,通过对颗粒物红外光散射功率与蓝光散射功率进行分析,结合索特平均粒径分析,为研发复合型烟雾探测器优化火灾参数。结果表明:红外光和蓝光对火灾烟雾颗粒有较好地响应,结合索特平均粒径,可以有效区分火灾烟雾颗粒与非火灾烟雾颗粒,降低误报率,干扰源误报率不超过6.7%。

基于目标区域的卷积神经网络火灾烟雾识别

在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。

基于人工智能方法判断环境信息的变电站视频及环境监控系统升级方案设计

针对变电站视频及环境监控系统存在与原动力环境监控系统部分功能重复且未能实现与消防系统联动的问题进行整合升级改造,提出用视频烟雾火灾识别的方法加强对变电站火灾的识别能力,并使用人工智能的方法对所有的环境探测信息进行综合智能判断,降低复杂情况下的环境告警信息误报率,提高电力运行维护人员的工作效率。