一种变电站火灾识别方法及系统与流程

1.本公开涉及变电站火灾识别技术领域，特别涉及一种变电站火灾识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
3.变电站是指电力系统中对电压和电流进行变换，接受电能及分配电能的场所，是个高危场所。变电站的巡视检查就是值班人员通过定期巡视观察设备的外观有无异状，如颜色有无变化，有无杂物，表针指示是否正常，设备的声音是否正常，有无异常的气味，触及允许接触的设备温度是否正常，测量电气设备的运行参数在运行中的变化等，以判断设备的运行状况是否正常；站内火灾的监控，对于电力系统正常运转来说至关重要，也是一项重要工作。
4.在本领域中，有研究人员提出了一种通过视频监控进行火灾预警的方法，利用烟雾有静态特征和动态特征两个特征来检测烟雾，先进行静态特征分析，从视频图像中提取出与烟雾颜色相似的区域，再进行动态特征分析，对上面提取出来的区域进行检测，判断是否具有不规则性和扩散性以及半透明性特征，将不符合以上特征的区域作为假烟雾区域，从而排除与烟雾颜色相似的非烟雾区域。
5.有研究人员提出了一种基于深度学习的桥洞空间安全监测与报警系统，涉及智能安防技术领域，包括视频采集模块、行人入侵检测模块、烟火检测模块、信息管理模块、报警模块；视频采集模块分别与行人入侵检测模块、烟火检测模块输入端相连，行人入侵检测模块、烟火检测模块输出端分别与信息管理模块输入端相连，信息管理模块输出端与报警模块相连。本发明基于深度学习结合人脸识别与匹配对桥洞空间指定区域进行入侵检测，基于深度学习结合图像处理技术对桥下监控覆盖范围内进行烟火识别，通过监控摄像机采集桥洞空间视频，检测行人入侵以及烟火，并及时向巡检人员发送报警信息，采取相关的措施确保桥洞安全。
6.有研究人员提出了一种基于深度学习和图像识别的烟火检测方法，包括以下步骤：步骤1、从待识别的视频中读取视频帧，根据所述视频帧内的像素的颜色特征、以及视频帧间的像素的差异特征，提取所述视频帧内的部分像素集合，形成一个或多个预处理区域供识别；步骤2、将提取出的预处理区域截取成图片，作为烟火检测模型的输入；步骤3、通过所述烟火检测模型，从所述图片提取特征；步骤4、根据所提取的特征来确定所述图片中存在烟火场景的置信度；步骤5、如果所述置信度超过置信度阈值，则将所述图片对应的区域在所述视频帧中标记出来。
7.本公开发明人发现，现有的火灾识别方法中，目标定位精度普遍不高，适应性差；而且目前的深度学习方法主要通过颜色模型提取火焰的颜色作为特征，颜色相近的物体区分性较差，无法准确的对火焰进行识别。


技术实现要素：

8.为了解决现有技术的不足，本公开提供了一种变电站火灾识别方法及系统，通过改进的yolov3算法进行定位，利用分形盒维数进行火源识别，提高了视频图像中火源的定位精度和后续的识别正确率。
9.为了实现上述目的，本公开采用如下技术方案：
10.本公开第一方面提供了一种变电站火灾识别方法。
11.一种变电站火灾识别方法，包括以下步骤：
12.获取视频数据中的关键帧图像并进行图像的预处理；
13.采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
14.提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
15.本公开第二方面提供了一种变电站火灾识别系统。
16.一种变电站火灾识别系统，包括：
17.数据获取模块，被配置为：获取视频数据中的关键帧图像并进行图像的预处理；
18.图像处理模块，被配置为：采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
19.变电站火灾识别模块，被配置为：提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
20.本公开第三方面提供了一种变电站火灾识别系统。
21.一种变电站火灾识别系统，包括：
22.前端，至少被配置为：进行多路视频画面的展示、各路视频检测类型开关设置、告警弹框和历史告警查询操作；
23.后端，至少被配置为：进行前端与数据库之间的交互操作；
24.处理器，至少被配置为：检测模型的加载、视频流的接入、目标检测、视频画面的处理及数据库的交互操作；
25.数据库，至少被配置为：使用redis和mysql数据库进行数据交互；
26.所述处理器，包括：
27.数据获取模块，被配置为：获取视频数据中的关键帧图像并进行图像的预处理；
28.图像处理模块，被配置为：采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
29.变电站火灾识别模块，被配置为：提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
30.本公开第四方面提供路了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的变电站火灾识别方法中的步骤。
31.本公开第五方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的变电站火灾识别方法中的步骤。
32.与现有技术相比，本公开的有益效果是：
33.1、本公开提出了一种变电站火灾实时识别方法，研制了相关系统，构建了变电站
火焰分析模型，使用目标检测寻找火焰区域，计算火焰区域轮廓分形盒维数，实现了多路视频中火灾精确识别，解决了变电站运维中火灾颜色纹理特征误识别问题，提高了视频监控正确率，降低了运维成本和现场工作人员工作强度。
34.2、本公开创造性提出了一种火焰目标先验框尺寸定位方法，通过改进原有深度神经网络中先验框尺寸获取方法，实现了火焰目标先验框尺寸自动获取、自动定位，提高了算法效率和正确率，降低了算法中参数配置和噪声影响。
35.3、本公开提出了一种火焰轮廓分形盒维数检测方法，使用canny边缘检测算子得到火灾轮廓，然后对火灾轮廓计算分形盒维数，实现了在分数维度空间中精确识别火焰轮廓，解决了火灾产生时火焰轮廓变化不定无法用固定长度特征度量难题，提高了火灾检测的可信度，降低了误报率。
附图说明
36.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
37.图1为本公开实施例1提供的变电站火灾识别方法的流程示意图。
38.图2为本公开实施例1提供的dbscan聚类算法的流程示意图。
具体实施方式
39.下面结合附图与实施例对本公开作进一步说明。
40.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
41.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
42.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
43.实施例1：
44.如图1所示，本公开实施例1提供了一种变电站火灾识别方法，包括以下步骤：
45.获取视频数据中的关键帧图像并进行图像的预处理；
46.采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
47.提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
48.详细步骤为：
49.step1：视频采集，关键帧提取；
50.step2：图像预处理操作：灰度化、滤波去噪等；
51.step3：yolov3目标检测定位；
52.step4：canny边缘检测；
53.step5：分形盒维数计算；
54.step6：阈值比较，小于阈值执行继续执行step1；大于阈值，启动报警系统。
55.本实施例基于修改的yolov3框架，使用改进的yolov3探索了烟火的定位和基于分形盒维数的火灾识别。
56.yolo将输入图像分成多个网格，若某个物体ground truth的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。yolov3是在yolov1和yolov2的基础上的改进，主要改进有：调整了网络结构、利用多尺度特征进行对象检测、对象分类用logistic取代了softmax。
57.其中，yolov3采用k-means聚类得到先验框的尺寸。k-means聚类是基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。k-means算法原理简单、容易实现。但是k-means算法收敛较慢、需要事先确定参数k、对噪声和离群点敏感、结果不一定是全局最优等，这些因素制约着得到先验框尺寸的精度，进而影响目标定位精度。
58.本实施例中，yolov3采用基于密度的噪声应用空间聚类(dbscan)得到先验框的尺寸，dbdscan具有不需指定集群的数量、集群可采用的形状和大小具有高度灵活性、识别和处理噪声数据和异常值非常有用等优点，dbdscan聚类算法如图2所示。
59.dbscan是基于一组邻域来描述样本集的紧密程度的，参数(ε，minpts)用来描述邻域的样本分布紧密程度。
60.其中，ε表示某一样本的邻域距离阈值，minpts表示某一样本的距离为ε的邻域中样本个数的阈值。假设样本集是d＝(x1,x2,...,xm)，则dbscan具体的密度描述如下：
61.ε-邻域：对于xj∈d，其ε-邻域包含样本集d中与xj的距离不大于ε的子样本集，即nε(xj)＝{xi∈d|distance(xi,xj)≤ε},这个子样本集的个数记为|nε(xj)|。
62.核心对象：对于任一样本xj∈d，如果其ε-邻域对应的nε(xj)至少包含minpts个样本，即如果|nε(xj)|≥minpts，则xj是核心对象。
63.密度直达：如果xi位于xj的ε-邻域中，且xj是核心对象，则称xi由xj密度直达。注意反之不一定成立，即此时不能说xj由xi密度直达,除非且xi也是核心对象。
64.密度可达：对于xi和xj如果存在样本样本序列p1,p2,...,p
t
，满足p1＝xi，p
t
＝xj且p
t+1
由p
t
密度直达，则称xj由xi密度可达。也就是说，密度可达满足传递性。此时序列中的传递样本p1,p2,...,p
t-1
均为核心对象，因为只有核心对象才能使其他样本密度直达。其中，密度可达也不满足对称性。
65.密度相连：对于xi和xj,如果存在核心对象样本xk，使xi和xj均由xk密度可达，则称xi和xj密度相连。其中，密度相连关系是满足对称性的。
66.分形，具有以非整数维形式充填空间的形态特征。通常被定义为一个粗糙或零碎的几何形状，可以分成数个部分，且每一部分都(至少近似地)是整体缩小后的形状，即具有自相似的性质。并且分形具有标度变化下不变性的特征，分形维数能够定量刻画分形的不规则性。
67.分形维数作为图像表面不规则程度的度量，不仅能度量图像的复杂程度，而且具有多尺度多分辨率变化的不变性。从纹理分析的角度看，它与人类视觉对图像表面纹理粗糙程度的感知是一致的，即分形维数越大，对应的图形表面越粗糙；反之，分形维数越小，对应的图形表面越光滑。
68.要计算分形s的维数，把这个分形放在一个均匀分割的网格上，数一数最小需要几个格子来覆盖这个分形。通过对网格的逐步精化，查看所需覆盖数目的变化，从而计算出计盒维数。
69.假设当格子的边长是ε时，总共把空间分成n个格子，那么计盒维数为：
[0070][0071]
火灾产生时，火的轮廓变化不定，无法使用固定长度的特征向量来刻画。这种轮廓变化反应在纹理上可用粗糙程度来度量，因此，提取到火的轮廓后，提取分形维数作为特征是可行有效的。
[0072]
进一步，还可以根据分形维数的变化来判断火的大小情况。
[0073]
实施例2：
[0074]
本公开实施例2提供了一种变电站火灾识别系统，包括：
[0075]
数据获取模块，被配置为：获取视频数据中的关键帧图像并进行图像的预处理；
[0076]
图像处理模块，被配置为：采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
[0077]
变电站火灾识别模块，被配置为：提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
[0078]
所述系统的工作方法与实施例1中的变电站火灾识别方法相同，这里不再赘述。
[0079]
实施例3：
[0080]
本公开实施例3提供了一种变电站火灾识别系统，包括：
[0081]
前端，至少被配置为：进行多路视频画面的展示、各路视频检测类型开关设置、告警弹框、历史告警查询操作；
[0082]
后端，至少被配置为：进行前端与数据库之间的交互操作；
[0083]
处理器，至少被配置为：检测模型的加载、视频流的接入、目标检测、视频画面的处理及数据库的交互操作。
[0084]
数据库，至少被配置为：使用redis和mysql数据库进行数据交互；
[0085]
所述处理器，包括：
[0086]
数据获取模块，被配置为：获取视频数据中的关键帧图像并进行图像的预处理；
[0087]
图像处理模块，被配置为：采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
[0088]
变电站火灾识别模块，被配置为：提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
[0089]
具体的识别方法与实施例1提供的变电站火灾识别方法相同，这里不再赘述。
[0090]
实施例4：
[0091]
本公开实施例4提供路了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的变电站火灾识别方法中的步骤，所述步骤为：
[0092]
获取视频数据中的关键帧图像并进行图像的预处理；
[0093]
采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
[0094]
提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生
火灾，否则继续进行视频数据处理。
[0095]
详细步骤与实施例1提供的变电站火灾识别方法相同，这里不再赘述。
[0096]
实施例5：
[0097]
本公开实施例5提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的变电站火灾识别方法中的步骤，所述步骤为：
[0098]
获取视频数据中的关键帧图像并进行图像的预处理；
[0099]
采用yolov3算法对预处理后的图像进行定位，经边缘检测获取火的图像轮廓；
[0100]
提取轮廓图像的分形维数并与预设阈值进行比较，当大于预设阈值时判定为发生火灾，否则继续进行视频数据处理。
[0101]
详细步骤与实施例1提供的变电站火灾识别方法相同，这里不再赘述。
[0102]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0103]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0104]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0105]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0106]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0107]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。