一种基于图像识别的充电桩起火检测方法与流程

一种基于图像识别的充电桩起火检测方法
【技术领域】
1.本发明涉及起火检测领域，具体涉及一种基于图像识别的充电桩起火检测方法。


背景技术：

2.为了实现对充电桩起火烟雾的检测识别，也就是识别出烟雾在图片中的位置，现有的一些目标检测算法需要较多的训练数据，但实际上充电桩起火的图片数据特别稀少，很难满足一些目标检测算法的要求，加入其它场景的起火烟雾照片训练出来的检测模型可能会有泛化能力差，也就是实际检测充电桩的时候效果差的问题。


技术实现要素：

3.为解决上述问题，提出了体验更好的一种基于图像识别的充电桩起火检测方法；
4.一种基于图像识别的充电桩起火检测方法，其特征在于所述检测方法由两部分组成，第一部分是线下模型训练部分，第二部分是线上模型识别部分；
5.所述线下模型训练部分方法步骤如下所述：
6.(1)收集火灾烟雾数据；
7.(2)分割并标注火灾烟雾数据：将每张图片都放缩成统一大小s*s，并等分割成n个小块，其中n可开方，那么每个小块的图片长宽均为标注每个小块是否有火灾烟雾；
8.(3)训练火灾烟雾分类模型，所述模型为卷积神经网络模型；
9.所述卷积神经网络的训练步骤大致如下：
10.(i)对网络进行权值的初始化；
11.(ii)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
12.(iii)求出网络的输出值与目标值的误差；
13.(iv)根据链式求导法则将误差反向传播，依次求得各层的误差并更新权重；
14.(v)重复步骤(ii)、(iii)、(iv)，直到网络模型收敛；
15.所述线上模型识别部分包括充电桩监控摄像头、监控服务系统、火灾烟雾分类模型识别系统和报警系统；
16.所述充电桩监控摄像头设立在各个充电桩上，并单独设立有编号及地址数据，多个充电桩监控摄像头通过网络连接至同一个监控服务系统。
17.所述监控服务系统与火灾烟雾分类模型识别系统连接，所述烟雾分类模型识别系统连接报警系统；
18.所述火灾烟雾分类模型识别系统连接为线下模型训练部分所训练得出的卷积神经网络；
19.所述线上模型识别部分方法步骤如下所述：
20.(1)通过充电桩监控摄像头采集画面，系统每隔一段时间截取一张摄像画面发送至监控服务系统；
21.(2)将监控图片处理等分成，每个图片小块长宽与相近的大小，并统一放缩成长宽均为对于利用训练好的卷积神经网络模型预测每一个图片小块是否有火灾烟雾，并标记有火灾烟雾为1，否则为0，如此得到了w*h的二值矩阵；对于二值矩阵利用连通算法找出发生火灾的连通的图片小块，从而得到火灾区域的图片坐标，其中连通算法的步骤如下：
22.(i)分类临时标签和记录等价标签：
23.按行遍历数据的每个元素，如果元素是1，则：获取当前元素的相邻非0元素，如果没有相邻非0元素则直接标记当前元素新的临时标签(累增的)并继续；如果有相邻非0元素则找到邻居中最小标签值赋给当前元素的临时标签，并存储标签之间的等价关系；
24.(ii)用等价的最小标签替换每个临时标签；
25.按行遍历矩阵的每个元素，如果元素不是0，则利用等价标签中的最小标签进行重新标记；
26.(3)将(2)中的识别结果发送至报警系统发出报警信息。
27.进一步地、所述报警系统上还设有单元反馈模块。
28.进一步地、所述单元反馈模块在报警系统发出报警信息后，将此次得出的数据反馈至下模型训练部分，提供该火灾烟雾数据，对卷积神经网络模型再次训练，进一步优化卷积神经网络模型。
29.进一步地、所述报警系统发出的报警信息包括光电信号和报警信号。
30.进一步地、所述报警信号将接火情发送至处理单位并发送对应充电桩监控摄像头的编号、地址数据和区域坐标。
31.本发明利用卷积神经网络模型预测的方法，即对于一张充电桩的监控图片，等分成n个图片小块，对于所有小块训练卷积神经，分类识别其是否有烟雾，最终利用连通算法得出发生起火的区域坐标。这样的好处在于，对于比较小的图片小块，不同场景下的起火烟雾内容都类似，不会存在太大的差异，因为火灾及烟雾的形式是一样且易识别，因此利用其它场景下的火灾烟雾数据训练出来的识别模型，可以很好的泛化到实际充电桩的检测场景。
32.本发明的报警系统上还设有单元反馈模块，所述单元反馈模块在报警系统发出报警信息后，将此次得出的数据反馈至下模型训练部分，提供该火灾烟雾数据，对卷积神经网络模型再次训练，进一步优化卷积神经网络模型，识别能力更加精准。
【附图说明】
33.图1为本发明的整体流程图；
【具体实施方式】
34.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅用于解释本发明，并不用于限定本发明。
35.一种基于图像识别的充电桩起火检测方法，其特征在于所述检测方法由两部分组
成，第一部分是线下模型训练部分，第二部分是线上模型识别部分；
36.所述线下模型训练部分方法步骤如下所述：
37.(1)收集火灾烟雾数据；
38.(2)分割并标注火灾烟雾数据：将每张图片都放缩成统一大小s*s，并等分割成n个小块，其中n可开方，那么每个小块的图片长宽均为标注每个小块是否有火灾烟雾；
39.(3)训练火灾烟雾分类模型，所述模型为卷积神经网络模型；
40.所述卷积神经网络的训练步骤大致如下：
41.(i)对网络进行权值的初始化；
42.(ii)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
43.(iii)求出网络的输出值与目标值的误差；
44.(iv)根据链式求导法则将误差反向传播，依次求得各层的误差并更新权重；
45.(v)重复步骤(ii)、(iii)、(iv)，直到网络模型收敛；
46.所述线上模型识别部分包括充电桩监控摄像头、监控服务系统、火灾烟雾分类模型识别系统和报警系统；
47.所述充电桩监控摄像头设立在各个充电桩上，并单独设立有编号及地址数据，多个充电桩监控摄像头通过网络连接至同一个监控服务系统。
48.所述监控服务系统与火灾烟雾分类模型识别系统连接，所述烟雾分类模型识别系统连接报警系统；
49.所述火灾烟雾分类模型识别系统连接为线下模型训练部分所训练得出的卷积神经网络；
50.所述线上模型识别部分方法步骤如下所述：
51.(1)通过充电桩监控摄像头采集画面，系统每隔一段时间截取一张摄像画面发送至监控服务系统；
52.(2)将监控图片处理等分成，每个图片小块长宽与相近的大小，并统一放缩成长宽均为对于利用训练好的卷积神经网络模型预测每一个图片小块是否有火灾烟雾，并标记有火灾烟雾为1，否则为0，如此得到了w*h的二值矩阵；对于二值矩阵利用连通算法找出发生火灾的连通的图片小块，从而得到火灾区域的图片坐标，其中连通算法的步骤如下：
53.(i)分类临时标签和记录等价标签：
54.按行遍历数据的每个元素，如果元素是1，则：获取当前元素的相邻非0元素，如果没有相邻非0元素则直接标记当前元素新的临时标签(累增的)并继续；如果有相邻非0元素则找到邻居中最小标签值赋给当前元素的临时标签，并存储标签之间的等价关系；
55.(ii)用等价的最小标签替换每个临时标签；
56.按行遍历矩阵的每个元素，如果元素不是0，则利用等价标签中的最小标签进行重新标记；
57.(3)将(2)中的识别结果发送至报警系统发出报警信息。
58.(4)报警系统发出的报警信息包括光电信号和报警信号，其中报警信号将接火情发送至处理单位并发送对应充电桩监控摄像头的编号、地址数据和区域坐标。
59.其中所述报警系统上还设有单元反馈模块。
60.所述单元反馈模块在报警系统发出报警信息后，将此次得出的数据反馈至下模型训练部分，提供该火灾烟雾数据，对卷积神经网络模型再次训练，进一步优化卷积神经网络模型。
61.以上所述仅为本发明的较佳实施例，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。