买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:山东奥深智能工程有限公司
摘要:本发明涉及烟雾感知的技术领域,公开了一种基于智能算法的复合烟感低误报方法,所述方法包括:获取烟雾视频数据并进行数据扩充;提取扩充后烟雾视频数据中的烟雾静态特征向量序列;提取烟雾静态特征向量序列在不同烟雾类型尺度的时态变化特征,构成烟雾动态融合特征向量;基于烟雾动态融合特征向量进行烟雾类型识别以及烟雾报警修正。本发明利用烟雾动态特征融合模型提取烟雾静态特征向量在不同时间尺度的变化信息,进而融合局部邻域时间范围内的局部时序特征以及前后时间范围内的加权后烟雾静态特征向量,形成表征烟雾动态变化的烟雾动态融合特征向量,并进行烟雾类型的迭代,根据识别结果对当前警报声大小进行实时调整,减少烟感误报率。
主权项:1.一种基于智能算法的复合烟感低误报方法,其特征在于,所述方法包括:SI:获取烟雾视频数据并进行数据扩充,得到扩充后的烟雾视频数据;S2:构建烟雾静态特征提取模型,利用烟雾静态特征提取模型提取扩充后烟雾视频数据中的烟雾静态特征向量序列,所述烟雾静态特征提取模型以烟雾视频数据为输入,以提取得到的烟雾静态特征向量序列为输出;S3:构建烟雾动态特征融合模型,利用烟雾动态特征融合模型提取烟雾静态特征向量序列在不同烟雾类型尺度的时态变化特征,构成烟雾动态融合特征向量,所述烟雾动态特征融合模型以烟雾静态特征向量序列为输入,以烟雾动态融合特征向量为输出;S4:基于烟雾动态融合特征向量进行烟雾类型识别以及烟雾报警修正;所述S1步骤中获取烟雾视频数据,包括:获取烟雾视频数据,其中烟雾视频数据为烟雾区域的视频数据,烟雾区域为烟雾传感器感知到烟雾的区域,所述烟雾视频数据为:I=I1,I2,...,In,...,IN;其中:I表示烟雾视频数据;I1,I2,...,In,...,IN表示烟雾视频数据I中的N个连续视频帧图像,In表示烟雾视频数据I中的第n个视频帧图像; 对烟雾视频数据进行数据扩充,得到扩充后的烟雾视频数据I*;所述对烟雾视频数据进行数据扩充,包括:对烟雾视频数据I进行数据扩充,其中数据扩充流程为:S11:对烟雾视频数据I中任意视频帧图像进行灰度化处理,其中视频帧图像In的灰度化处理结果为:gn=gnnx,yX×Y; 其中:gn表示视频帧图像In的灰度化处理结果,gn为X行Y列的矩阵形式,X表示视频帧图像的像素行数,Y表示视频帧图像的像素列数;gnx,y表示视频帧图像In中第×行第y列像素Inx,y的灰度值; 依次为像素Inx,y在R,G,B颜色通道的颜色值;S12:计算得到烟雾视频数据I中任意视频帧图像对应的梯度图像,其中视频帧图像In对应的梯度图像为:gradn=gradnx,yX×Y; 其中:gradnx,y表示像素Inx,y的梯度值;gradn表示视频帧图像In对应的梯度图像;S13:基于梯度图像以及灰度化处理结果,生成烟雾视频数据I中任意视频帧图像对应的掩膜图像,其中视频帧图像In对应的掩膜图像为:maskn=masknx,yX×Y; 其中:Ωn表示视频帧图像In中边缘像素所围成的图像区域,其中边缘像素的判断方式为:若像素Inx,y的梯度值gradnx,y高于预设梯度阈值,且梯度方向上最近邻像素的梯度值也高于预设梯度阈值,则像素Inx,y为边缘像素;将最靠近视频帧图像In边缘的边缘像素所围成的图像区域作为Ωn;maskn表示视频帧图像In对应的掩膜图像;masknx,y表示像素Inx,y的掩膜判定结果,masknx,y=1则不将像素Inx,y进行掩膜屏蔽,masknx,y=0则将像素Inx,y进行掩膜屏蔽;S14:构成扩充后的烟雾视频数据:I*=I1,mask1,I2,mask2,...,In,maskn,...,IN,maskN;其中:I*表示烟雾视频数据I的数据扩充结果;所述S2步骤中构建烟雾静态特征提取模型,包括:构建烟雾静态特征提取模型,所述烟雾静态特征提取模型以烟雾视频数据为输入,以提取得到的烟雾静态特征向量序列为输出;烟雾静态特征提取模型包括输入层、多尺度卷积层、稠密连接层、非局部运算层以及特征向量计算层;输入层用于接收扩充后的烟雾视频数据,并将烟雾视频数据划分为若干视频帧组,每个视频帧组包括视频帧图像以及掩膜图像;多尺度卷积层由卷积神经网络中的卷积层组成,对每个视频帧组中的视频帧图像进行多尺度卷积处理,得到视频帧图像在不同尺度下的卷积特征;稠密连接层为稠密卷积神经网络中的稠密连接结构,用于拼接融合每个视频帧图像的所有卷积特征,得到每个视频帧图像的多尺度卷积特征;非局部运算层结合掩膜图像估计像素之间的距离关系,并计算得到多尺度卷积特征的全局信息;特征向量计算层利用全局信息对每个视频帧图像的多尺度卷积特征进行规范化处理,得到每个视频帧图像的烟雾静态特征向量,并构成烟雾静态特征向量序列;利用烟雾静态特征提取模型提取扩充后烟雾视频数据I*中的烟雾静态特征向量序列;所述利用烟雾静态特征提取模型提取扩充后烟雾视频数据中的烟雾静态特征向量序列,包括:利用烟雾静态特征提取模型接收扩充后烟雾视频数据I*,并进行烟雾静态特征向量序列提取,其中提取流程为:S21:输入层接收扩充后的烟雾视频数据I*,将烟雾视频数据I*划分为N个视频帧组,其中第n个视频帧组An为:An=In,maskn;S22:多尺度卷积层对每个视频帧组中的视频帧图像进行多尺度卷积处理,得到视频帧图像在不同尺度下的卷积特征,其中视频帧图像In在M个尺度下的卷积特征为: 其中: 表示视频帧图像In在第m个尺度下的卷积特征,*表示卷积运算符;wm×m表示m×m像素大小的卷积权重矩阵;S23:稠密连接层拼接融合每个视频帧图像的所有卷积特征,得到每个视频帧图像的多尺度卷积特征,其中视频帧图像In的多尺度卷积特征为: 其中:Fn表示视频帧图像In的多尺度卷积特征;G·表示批处理函数,其中批处理函数G·对输入值依次进行批规范化函数处理以及限制线性单元激活函数处理;S24:非局部运算层结合掩膜图像估计像素之间的距离关系,其中掩膜图像maskn中像素之间的距离关系为: 其中:disn表示掩膜图像maskn中像素之间的距离关系;exp·表示以自然常数为底的指数函数;β表示超参数;mean_masknx,表示掩膜图像maskn中第×行的像素值均值;mean_maskn,y表示掩膜图像maskn中第y列的像素值均值;并计算得到多尺度卷积特征的全局信息,其中多尺度卷积特征Fn的全局信息为: 其中:cn表示多尺度卷积特征Fn的全局信息;Summaskn表示掩膜图像maskn的像素值之和;S25:特征向量计算层利用全局信息对每个视频帧图像的多尺度卷积特征进行规范化处理,得到每个视频帧图像的烟雾静态特征向量,其中视频帧图像In的烟雾静态特征向量为: 其中:||·||2表示L2范数;fn表示视频帧图像In的烟雾静态特征向量;S26:构成烟雾静态特征向量序列: 其中:f表示烟雾静态特征向量序列;所述S3步骤中构建烟雾动态特征融合模型,包括:烟雾动态特征融合模型包括时序编码层、时序卷积层、注意力层以及前馈神经网络层;时序编码层用于生成不同烟雾静态特征向量在烟雾静态特征向量序列中的时序位置编码;时序卷积层由卷积神经网络中的卷积层组成,利用卷积计算方式提取烟雾静态特征向量在时间维度的局部时序特征;注意力层采用Transformer模型中的自注意力机制,捕捉相邻局部时序特征之间的依赖关系,得到烟雾静态特征向量的时序注意力权重,并进行时序注意力加权;前馈神经网络层由线性变换函数以及激活函数组成,将加权后的所有烟雾静态特征向量进行映射以及融合处理,构成烟雾动态融合特征向量;利用烟雾动态特征融合模型提取烟雾静态特征向量序列在不同烟雾类型尺度的时态变化特征;所述利用烟雾动态特征融合模型提取烟雾静态特征向量序列在不同烟雾类型尺度的时态变化特征,包括:利用烟雾动态特征融合模型提取烟雾静态特征向量序列在不同烟雾类型尺度的时态变化特征,构成烟雾动态融合特征向量,其中烟雾静态特征向量序列f的烟雾动态融合特征向量提取流程为:S31:时序编码层生成烟雾静态特征向量的时序位置编码,其中烟雾静态特征向量fn的时序位置编码为locn: 其中:∈表示烟雾静态特征向量的长度;S32:时序卷积层利用卷积计算方式提取烟雾静态特征向量在时间维度的局部时序特征,其中烟雾静态特征向量fn在时间维度的局部时序特征为: 其中: 表示烟雾静态特征向量fn在时间维度的局部时序特征;w1表示时序卷积矩阵;S33:注意力层捕捉相邻局部时序特征之间的依赖关系,得到烟雾静态特征向量的时序注意力权重,其中烟雾静态特征向量fn的时序注意力权重为: 其中:weightn表示烟雾静态特征向量fn的时序注意力权重;对烟雾静态特征向量fn进行时序注意力加权,得到wehtnfn;S34:前馈神经网络层将加权后的所有烟雾静态特征向量进行映射以及融合处理,得到烟雾动态融合特征向量,其中烟雾动态融合特征向量的表示形式为:H=H1,H2,....Hn,...,HN; 其中:H表示烟雾动态融合特征向量;w2表示映射矩阵;δ·表示激活函数;Hn表示烟雾静态特征向量fn对应的多尺度烟雾融合特征向量;所述S4步骤中基于烟雾动态融合特征向量进行烟雾类型识别,包括:基于烟雾动态融合特征向量进行烟雾类型识别,并在识别过程中进行烟雾报警修正,其中烟雾动态融合特征向量H的烟雾类型识别流程为:S41:设置当前烟雾类型的迭代次数为d,d的初始值为0,最大值为N;并随机初始化生成烟雾类型P0=1;S42:获取烟雾传感器的报警结果作为初始报警结果Q0;烟雾传感器的报警结果为烟雾传感器旁边警报器的警报声大小,其中警报声越大,则表示烟雾量越大、烟雾中的火星越多;S43:生成烟雾类型的第d+1次迭代结果: 其中:Pd+1表示烟雾类型的第d+1次迭代结果;maxH表示H1,H2,...,Hn,...,HN中的最大值;ε表示修正系数;S44:对报警结果进行第d+1次修正: S45:令d=d+1,返回步骤S43,直到达到烟雾类型的最大迭代次数,得到烟雾动态融合特征向量H的烟雾类型识别结果,并基于报警结果的当前修正值调整烟雾传感器旁边警报器的警报声大小。
全文数据:
权利要求:
百度查询: 山东奥深智能工程有限公司 一种基于智能算法的复合烟感低误报方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。