【CN110084166A】基于深度学习的变电站烟火智能识别监测方法【专利】
《基于深度学习的烟火检测方法在秸秆禁烧中的应用研究》
《基于深度学习的烟火检测方法在秸秆禁烧中的应用研究》一、引言近年来，秸秆禁烧已成为环境保护的重要措施之一。
然而，由于传统检测手段的局限性，如人力巡查和传统图像识别技术的局限性，难以实现对大规模区域的高效监控和实时响应。
为此，本文提出了一种基于深度学习的烟火检测方法，并将其应用于秸秆禁烧的场景中。
本文旨在通过研究该方法的应用，提高秸秆禁烧的监控效率和准确性，为环境保护提供有力支持。
二、深度学习在烟火检测中的应用深度学习作为一种机器学习的重要分支，在图像识别、目标检测等领域取得了显著的成果。
在烟火检测方面，深度学习能够通过训练大量数据，学习到烟火的特征和规律，从而实现对烟火的准确检测和识别。
此外，深度学习还具有较高的鲁棒性和适应性，能够在不同场景下进行实时调整和优化。
三、基于深度学习的烟火检测方法本文提出的基于深度学习的烟火检测方法主要包括以下几个步骤：1. 数据集准备：收集包含烟火和非烟火的图像数据集，对数据进行预处理和标注。
2. 模型构建：采用卷积神经网络（CNN）构建烟火检测模型，包括特征提取、分类器等部分。
3. 模型训练：使用大量数据对模型进行训练，优化模型参数，提高模型的准确性和鲁棒性。
4. 实时检测：将训练好的模型应用于实际场景中，对图像进行实时检测和识别。
四、在秸秆禁烧中的应用将基于深度学习的烟火检测方法应用于秸秆禁烧的场景中，具有以下优势：1. 高效监控：通过对大面积区域进行实时图像检测，实现高效监控，减少人力巡查的成本和时间。
2. 准确识别：深度学习模型能够准确识别烟火特征，减少误报和漏报的可能性。
3. 实时响应：一旦发现烟火现象，系统可迅速触发报警并自动记录相关证据信息，便于执法人员快速定位并采取措施。
五、实验与结果分析为验证本文提出的基于深度学习的烟火检测方法在秸秆禁烧中的效果，我们进行了实际场景的测试和评估。
通过与其他传统检测手段进行比较，结果表明该方法具有较高的准确性和实时性。
一种基于深度学习的变电站异物识别方法、装置及系统[发明专利]
![一种基于深度学习的变电站异物识别方法、装置及系统[发明专利]](https://img.taocdn.com/s3/m/e2b6a33117fc700abb68a98271fe910ef12dae91.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910826233.X(22)申请日 2019.09.03(71)申请人 国网辽宁省电力有限公司电力科学研究院地址 110006 辽宁省沈阳市和平区四平街39-7号申请人 全球能源互联网研究院有限公司 国家电网有限公司(72)发明人 邵宝珠 陈其鹏 赵永彬 李桐 吴鹏 刘一涛 林国强 孔剑虹 柴博 杨智斌 刚毅凝 刘芮彤 施玉杰 王明睿 崔楠 (74)专利代理机构 辽宁沈阳国兴知识产权代理有限公司 21100代理人 何学军 侯景明(51)Int.Cl.G06K 9/00(2006.01)G06Q 50/06(2012.01)(54)发明名称一种基于深度学习的变电站异物识别方法、装置及系统(57)摘要本发明涉及人工智能、输变电技术领域，尤其涉及一种基于深度学习的变电站异物识别方法、装置及系统。
包括以下步骤：采集变电站的场景图像；根据预先建立的变电站异物的目标检测模型，对所述场景图像中的异物进行识别，得到所述场景图像内的异物所在位置和异物的类型；其中，所述变电站异物的目标检测模型为根据预设的变电站内的异物类型以及若干变电站异物图像进行训练得到。
本发明提升了异物检测准确性，能具体分辨出异物的种类，还能起到辅助变电站巡视、监控的作用。
本发明方法所开发的模块可集成到固定摄像头和机器人本体以及它们的远程控制系统，赋予它们智能识别变电站内异物的能力，提升变电站巡视和监控的智能化水平。
权利要求书3页 说明书7页 附图1页CN 110807353 A 2020.02.18C N 110807353A1.一种基于深度学习的变电站异物识别方法，其特征在于，包括：采集变电站的场景图像；根据预先建立的变电站异物的目标检测模型，对所述场景图像中的异物进行识别，得到所述场景图像内的异物所在位置和异物的类型；其中，所述变电站异物的目标检测模型为根据预设的变电站内的异物类型以及若干变电站异物图像进行训练得到。
烟火检测识别方法和装置、存储介质及电子装置[发明专利]
![烟火检测识别方法和装置、存储介质及电子装置[发明专利]](https://img.taocdn.com/s3/m/64d167fda8114431b80dd8c0.png)
专利名称：烟火检测识别方法和装置、存储介质及电子装置专利类型：发明专利
发明人：李中振,潘华东,殷俊,张兴明,高美,彭志蓉
申请号：CN202010653304.3
申请日：20200708
公开号：CN111898463A
公开日：
20201106
专利内容由知识产权出版社提供
摘要：本发明公开了一种烟火检测识别方法和装置、存储介质及电子装置。
其中，该方法包括：根据待识别烟火图像的轮廓特征，得到第一烟火识别结果；获取上述待识别烟火图像的运动区域；将上述运动区域输入至预先训练好的目标网络，根据上述目标网络中的第一网络、第二网络和第三网络，分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息，根据上述图像特征信息得到第二烟火识别结果；根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果，其中，上述目标烟火识别结果用于表示是否发生烟火事件。
采用上述技术方案，解决了相关技术中，在烟火检测识别时，存在检测准确度低的技术问题。
申请人：浙江大华技术股份有限公司
地址：310051 浙江省杭州市滨江区滨安路1187号
国籍：CN
代理机构：北京康信知识产权代理有限责任公司
代理人：江舟
更多信息请下载全文后查看。
烟火识别方法、装置、计算机设备和存储介质[发明专利]
![烟火识别方法、装置、计算机设备和存储介质[发明专利]](https://img.taocdn.com/s3/m/639c6878ce84b9d528ea81c758f5f61fb73628e9.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011453646.7(22)申请日 2020.12.12(71)申请人 南方电网调峰调频发电有限公司地址 511400 广东省广州市番禺区东环街东星路100号208室(72)发明人 孙立群 陈满 张豪 卢勇 刘涛 徐明 李建辉 王苗庚 吕志鹏 林恺 韩玉麟 巩宇 郭海峰 王晓翼 王翰龙 贺儒飞 (74)专利代理机构 广州华进联合专利商标代理有限公司 44224代理人 冯右明(51)Int.Cl.G06K 9/00(2006.01)G06K 9/32(2006.01)G06K 9/46(2006.01)G06K 9/62(2006.01)G06N 20/20(2019.01)(54)发明名称烟火识别方法、装置、计算机设备和存储介质(57)摘要本申请涉及一种烟火识别方法、装置、计算机设备和存储介质。
通过获取烟火监控区域内的包括可见光图像、红外图像的待识别图像，并根据待识别图像，识别待识别图像中的烟火疑似区域，包括基于颜色识别可见光图像中的烟火疑似区域，基于亮度识别红外图像中的烟火疑似区域，再将烟火疑似区域的待识别图像输入预设模型，根据基于预先标记烟火状态的可见光图像或预先标记烟火状态的红外图像训练得到的预设模型的输出结果，识别待识别图像中的烟火状态。
相较于传统的基于感温探测或感烟探测对烟火进行检测的方式，本方案通过预设模型，对可见光图像或红外图像中的烟火区域进行识别，从而实现提高烟火的识别及时率的效果。
权利要求书3页 说明书16页 附图5页CN 112560657 A 2021.03.26C N 112560657A1.一种烟火识别方法，其特征在于，所述方法包括：获取烟火监控区域内的待识别图像；所述待识别图像包括可见光图像和/或红外图像；根据所述待识别图像，识别所述待识别图像中的烟火疑似区域，包括：基于颜色识别所述可见光图像中的烟火疑似区域，基于亮度识别所述红外图像中的烟火疑似区域；将包括所述烟火疑似区域的待识别图像输入预设模型，根据所述预设模型的输出结果，识别所述待识别图像中的烟火状态；所述预设模型基于预先标记烟火状态的可见光图像或预先标记烟火状态的红外图像训练得到。
基于图像深度学习的烟火识别方法及系统[发明专利]
![基于图像深度学习的烟火识别方法及系统[发明专利]](https://img.taocdn.com/s3/m/617bc0bb85868762caaedd3383c4bb4cf7ecb767.png)
(10)申请公布号(43)申请公布日 (21)申请号 201410711008.9(22)申请日 2014.11.28G06K 9/62(2006.01)(71)申请人武汉大学地址430072 湖北省武汉市武昌区珞珈山武汉大学(72)发明人赵俭辉 王勇 章登义 武小平(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙) 42222代理人胡艳(54)发明名称基于图像深度学习的烟火识别方法及系统(57)摘要本发明公开了一种基于图像深度学习的烟火识别方法及系统，包括：步骤1，采集无标签样本图像集和有标签样本图像集；步骤2，获得无标签训练数据集和有标签训练数据集；步骤3，对训练数据的白化预处理；步骤4，基于白化预处理后的无标签训练数据，采用无监督学习构建基于稀疏自编码的深度神经网络，并提取无标签训练数据的基本图像特征集；步骤5，将基本图像特征卷积与池化图像数据；步骤6，基于卷积和池化后的有标签训练数据集训练Softmax 分类器；步骤7，将卷积和池化后的待识别图像输入已训练的Softmax 分类器获得识别结果。
本发明可有效提高烟火与相似目标的视觉识别率，可实现更高精度的烟火自动识别。
(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页 说明书7页 附图1页(10)申请公布号CN 104408469 A (43)申请公布日2015.03.11C N 104408469A1.基于图像深度学习的烟火识别方法，其特征在于，包括步骤：步骤1，采集样本图像集，包括（1）未分类标记的目标图像及目标相似物图像构成的无标签样本图像集和（2）分类标记的目标图像及目标相似物图像构成的有标签样本图像集；步骤2，分别从无标签样本图像集和有标签样本图像集中随机获取单元图像块，构成无标签训练数据集和有标签训练数据集；步骤3，对无标签训练数据集和有标签训练数据集中训练数据进行白化预处理，所述的训练数据为单元图像块对应的RGB三色通道的颜色值矩阵；步骤4，基于白化预处理后的无标签训练数据，采用无监督学习构建基于稀疏自编码的深度神经网络，并提取无标签训练数据的基本图像特征集；步骤5，将无标签训练数据的基本图像特征卷积与池化图像数据，所述的图像数据包括有标签训练数据和待识别图像；步骤6，基于卷积和池化后的有标签训练数据集训练Softmax分类器；步骤7，将卷积和池化后的待识别图像输入已训练的Softmax分类器获得识别结果。
【CN110188624A】一种基于深度学习的变电站风漂物识别方法及系统【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910389610.8(22)申请日 2019.05.10(71)申请人 国网福建省电力有限公司龙岩供电公司地址 364000 福建省龙岩市新罗区九一南路45号申请人 国网福建省电力有限公司(72)发明人 叶杰 何春庆 廖华年 徐启峰 刘智 邹立尧 刘莉莉 陈苏芳 谢水财 蔡小伟 何文丰 汤永清 (74)专利代理机构 厦门市首创君合专利事务所有限公司 35204代理人 张松亭 李艾华(51)Int.Cl.G06K 9/00(2006.01)G06K 9/46(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于深度学习的变电站风漂物识别方法及系统(57)摘要本发明涉及一种基于深度学习的变电站风漂物识别方法及系统，方法包括：图像预处理，接收变电站视频图像输入，并对视频图像进行去噪和增强以提高目标与背景的对比度；数据格式处理，将预处理后的图像转换成以二进制存储的TFRecord文件；图像识别，基于方向梯度直方图和支持向量机的图像分类算法构建变电站风漂物识别模型；基于训练好的变电站风漂物识别模型对数据格式处理后的视频图像进行处理，获得识别结果。
本发明将识别问题转化为目标-非目标的分类问题，能够准确地提取特征，且能适应复杂多变的环境背景，实现了智能图像分析，能够提升现有视频图像监控技术水平，保障变电站安全可靠的运行。
权利要求书2页 说明书5页 附图4页CN 110188624 A 2019.08.30C N 110188624A权 利 要 求 书1/2页CN 110188624 A1.一种基于深度学习的变电站风漂物识别方法，其特征在于，包括：图像预处理，接收变电站视频图像输入，并对视频图像进行去噪和增强以提高目标与背景的对比度；数据格式处理，将预处理后的图像转换成以二进制存储的TFRecord文件；图像识别，基于方向梯度直方图和支持向量机的图像分类算法构建变电站风漂物识别模型；基于训练好的变电站风漂物识别模型对数据格式处理后的视频图像进行处理，获得识别结果。
【CN110084166A】基于深度学习的变电站烟火智能识别监测方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910319875.0(22)申请日 2019.04.19(71)申请人 山东大学地址 250199 山东省济南市历城区山大南路27号(72)发明人 聂礼强 宋雪萌 王英龙 战新刚 姚一杨 姚福宾 (74)专利代理机构 济南金迪知识产权代理有限公司 37219代理人 陈桂玲(51)Int.Cl.G06K 9/00(2006.01)(54)发明名称基于深度学习的变电站烟火智能识别监测方法(57)摘要本发明公开一种基于深度学习的变电站烟火智能识别监测方法，通过针对变电站实际场景进行视频识别模型和图像识别模型的改进优化，紧接着融合两种改进之后的模型框架，尽可能多地避免二者的劣势，发挥出二者各自的优势，设计一种更加合理灵活的检测方法：平时利用图像识别模型进行监控，在检测到烟雾之后，自动调用视频识别模型进行二次复验，核验准确后再向监控平台发出报警信号，可以有效完成检测预警工作。
权利要求书3页 说明书9页 附图3页CN 110084166 A 2019.08.02C N 110084166A1.基于深度学习的变电站烟火智能识别监测方法，其特征在于，包括以下步骤：S1：对收集到的烟雾图像进行预处理并且构建图像模型数据集；S2：对收集到的烟雾和非烟雾视频进行预处理并且构建视频模型数据集；S3：基于目标识别yolov3算法框架进行改进优化，利用图像模型数据集训练迭代，完成图像识别模型的构建和训练；S4：利用视频模型数据集训练伪三维卷积残差网络，结合时域和频域信息提取烟雾的高维特征表征信息，完成视频识别模型的构建和训练；S5：通过rtsp协议进行视频取流并进行定时抓图，随后对得到的图像进行预处理操作，预处理之后将所处理后的图像送入所述图像识别模型：当检测到烟雾存在时，则自动调用视频识别模型进行二次复检，核验检测结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910319875.0
(22)申请日 2019.04.19
(71)申请人 山东大学
地址 250199 山东省济南市历城区山大南
路27号
(72)发明人 聂礼强 宋雪萌 王英龙 战新刚
姚一杨 姚福宾
(74)专利代理机构 济南金迪知识产权代理有限
公司 37219
代理人 陈桂玲
(51)Int.Cl.
G06K 9/00(2006.01)
(54)发明名称
基于深度学习的变电站烟火智能识别监测
方法
(57)摘要
本发明公开一种基于深度学习的变电站烟
火智能识别监测方法，通过针对变电站实际场景
进行视频识别模型和图像识别模型的改进优化，
紧接着融合两种改进之后的模型框架，尽可能多
地避免二者的劣势，发挥出二者各自的优势，设
计一种更加合理灵活的检测方法：平时利用图像
识别模型进行监控，在检测到烟雾之后，自动调
用视频识别模型进行二次复验，核验准确后再向
监控平台发出报警信号，可以有效完成检测预警
工作。
权利要求书3页 说明书9页 附图3页CN 110084166 A 2019.08.02
C N 110084166
A
1.基于深度学习的变电站烟火智能识别监测方法，其特征在于，包括以下步骤：
S1：对收集到的烟雾图像进行预处理并且构建图像模型数据集；
S2：对收集到的烟雾和非烟雾视频进行预处理并且构建视频模型数据集；
S3：基于目标识别yolov3算法框架进行改进优化，利用图像模型数据集训练迭代，完成图像识别模型的构建和训练；
S4：利用视频模型数据集训练伪三维卷积残差网络，结合时域和频域信息提取烟雾的高维特征表征信息，完成视频识别模型的构建和训练；
S5：通过rtsp协议进行视频取流并进行定时抓图，随后对得到的图像进行预处理操作，预处理之后将所处理后的图像送入所述图像识别模型：当检测到烟雾存在时，则自动调用视频识别模型进行二次复检，核验检测结果。
2.根据权利要求1所述的基于深度学习的变电站烟火智能识别监测方法，其特征在于，所述步骤S1中对收集到的烟雾图像进行预处理如步骤S11；构建图像模型数据集的步骤如步骤S12-S13；
S11：自制图像数据集，收集整理监控设备拍摄的待处理的烟雾图像，应用gamma算法调整图像亮度和对比度，应用高斯滤波来减少噪声的干扰；
S12：利用旋转、反射变换、尺度变换等数据增强技术来丰富图像训练集，增加数据样本数量；
S13：利用标记工具对整理好的图像数据进行标记，生成yolo格式的标注文件。
3.根据权利要求1所述的基于深度学习的变电站烟火智能识别监测方法，其特征在于，所述步骤S2具体包括如下步骤：
S21：自制视频数据集，选取一定室内和室外场景进行人工生烟，利用监控摄像头进行拍摄，同时也拍摄一定量的无烟雾视频也作为训练数据；
S22：对拍摄的数据进行预处理，利用中值滤波进行噪声滤除；
S23：对视频数据进行隔帧抽取并利用标记工具标注，生成VOC格式的标注文件。
4.根据权利要求1所述的基于深度学习的变电站烟火智能识别监测方法，其特征在于，所述步骤S3中的具体步骤如下：
S31：网络的特征提取部分：利用darknet -53网络作为基础网络，主要包括B1和B2两个子单元，其中B1包括1个卷积层、1个BN层、1个LeakyRelu层，B2包括1个填充层、1个B1单元和1个Compose组合单元，其中Compose组合单元包含N个B1单元构成的残差网络；
S32：网络的采样输出部分：对图像的特征进行上采样和连接，之后输出，该部分的输入是darknet -53的输出；
S33：准确定位的公式如下：
b x ＝σ(t x )+
c x
b y ＝σ(t y )+c
y
Pr(object)*IOU(b,object)＝σ(t o )
上述公式中，(t x ，t y )表示边界框的中心横纵坐标；(c x ,c y )表示网格的左上角坐标；(t w ，
权 利 要 求 书1/3页2CN 110084166 A。